(Algebra ..

Fazer download em pdf ou txt
Fazer download em pdf ou txt
Você está na página 1de 140

UNIVERSIDADE FEDERAL DE SANTA CATARINA (UFSC)

DEPARTAMENTO DE CIÊNCIAS ECONÔMICAS


PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA

DISCIPLINA:
MÉTODOS QUANTITATIVOS

UNIDADE I

Álgebra Linear: sistemas lineares, álgebra matricial, espaço


vetorial e Aplicações

PROF. MILTON BIAGE

CNM/CSE/UFSC

Florianópolis, 22 de Abril de 2010


1. Sistemas Lineares e Álgebra Matricial

Um sistema de equações lineares é um conjunto finito de equações das mesmas


incógnitas, sendo formado por duas ou mais equações lineares. Nesse caso, o
conjunto solução de uma equação deverá ser o mesmo para todas as outras
equações que pertencer ao mesmo sistema.
A representação de sistemas lineares na forma matricial é a mais apropriada para
tratar um problema de equações simultâneas. Mas, inicialmente, analisaremos as
equações como um conjunto de equações simultâneas, definidas de forma explicita
e posteriormente, trataremos esse sistema de equações lineares de forma matricial.
A análise de muitos modelos econômicos reduz ao estudo de sistemas de equações.
Além disso alguns dos mais freqüentes estudos de modelos econômicos são
modelos lineares. Trataremos nas seções que seguem os conceitos e procedimento
de análise de sistemas lineares.

1.1 Sistema de Equações lineares

Considere o sistema de equações lineares simultâneas, conforme abaixo:

     
   
     
  
  
. 
 .
(1.1)
 .
    
   

No sistema de equações dado em (1.1), temos um conjunto de equações, cujas


incógnitas são as variáveis  ,  , … ,  , os coeficientes  , com i=1,2, ..., m e j=1,2,
...., n são constantes e , , … ,  são os fatores independentes.
Obviamente, o pressuposto linear é uma simplificação. No mundo real, na maioria
das vezes, as equações são não lineares. Mas, o que deve ser entendido é que
podemos analisar um sistema não-linear, por meio de uma aproximação por um
sistema linear. Como exemplo, a mais comum dessas aproximações se encontra na
estática comparativa, que obtém informações sobre um estado de equilíbrio de um
sistema não linear, por meio da reta tangente a este ponto. Portanto, o objetivo final
de cálculos com multivariáveis é proporcionar um mecanismo para aproximação
para sistemas não-lineares complicados.

1.2 Exemplos de modelos lineares

Um exemplo típico de aplicação da teoria de sistemas lineares pode ser a de um


mercado de uma mercadoria, na qual torna necessário incluir somente três variáveis,
Qd (a quantidade demandada), Qs (a quantidade ofertada) e P (preço a mercadoria).
Nesse modelo, devemos especificar as equações de demanda e de oferta e a
equação de equilíbrio, as quais são apresentadas em (1.2), abaixo:

   
   
   0
(1.2)

Na Eq. (1.2) acima d e b são coeficientes de inclinação das equações e c e a são os


fatores independentes. Não preocupamos em (1.2) em especificar os sinais dos
coeficientes, tal que satisfaça a teoria econômica.
Se considerarmos o sistema (1.2) no estado de equilíbrio (onde   ), então,
podemos representá-lo na forma matricial, como segue:

    
   
(1.3)

De uma forma geral, em (1.3) Q e P são as incógnitas.


Como evidenciado, as Equações Lineares são geralmente uma boa representação
da realidade, contudo, temos uma grande quantidade de problemas que são
caracterizados por equações não lineares, as quais podem ser linearizados para
melhorar a sua tratabilidade. Contudo, não discutiremos em detalhe aqui como este
procedimento poderá ser feito, mas apresentaremos um exemplo de problema não
linear abaixo, no qual definimos a seguinte relação polinomial:

y ax $ (1.4)

O procedimento de linearização pode ser conduzido da seguinte forma:

y ax $ % log)*+ log)+  log) , + % log)*+ log)+  b . log)+ %

log)*+ log)+  . /01)+ (1.5)


Então, denominando z=log(y), t=log(x) c=log(a), temos a partir da Eq. (1.5) uma
transformação de uma equação não linear para uma equação linear, como segue:

2   3 (1.6)

Ainda, como exemplo de aplicação do modelo (1.1), considerará um mercado de


demanda e oferta para duas mercadorias. Num mercado isolado (somente uma
mercadoria), Qd e Qs são funções exclusivamente de seu próprio preço, conforme
(1.2), contudo, no mundo real nenhuma mercadoria jamais desfruta de uma
existência desse tipo, pois, para cada mercadoria existem muitos bens
complementares e substitutos. Portanto, uma descrição mais realista da função-
demanda ou função-oferta de uma mercadoria precisa levar em conta não somente
o efeito de seu próprio preço, mas, também, do preço da maior parte de outras
mercadorias substitutas ou complementares. Assim, a estrutura do próprio modelo
precisa ser ampliada, a fim de que ela seja capaz de determinar os valores de
equilíbrio dos outros produtos. Conseqüentemente, as variáveis de preços e
quantidades das diversas mercadorias devem entrar endogenamente, em massa, no
modelo.
Assim, para ilustrar o sistema (1.1), consideraremos um mercado constituído por
duas mercadorias, que pode ser descrito, em termos paramétricos, pelo conjunto de
equações a seguir:

 Para a mercadoria 1, temos que as quantidades demandadas e ofertadas, Qd1


e Qs1, são estabelecidas, em termos dos preços das mercadorias 1 e 2,
respectivamente, P1 e P2, pelas seguintes relações:

 4       (1.7)

 4      (1.8)

   0 (1.9)

Em particular, a Eq. (1.9) representa a condição de equilíbrio, tal que 5


   , onde E represente o excesso de demanda. Por exemplo, quando
duas mercadorias interdependentes são consideradas simultaneamente, o
equilíbrio requer ausência de excesso de demanda para cada mercadoria
incluída no modelo, uma vez que a existência de excesso de demanda no
mercado é suficiente para o ajustamento de preço e, conseqüentemente,
afetando as quantidades demandada e ofertada neste mercado. Portanto, na
condição de equilíbrio E=0.

 Para a mercadoria 2, temos que as quantidades demandadas e ofertadas, Qd2


e Qs2, são estabelecidas, em termos dos preços das mercadorias 1 e 2,
respectivamente, P1 e P2, pelas seguintes relações:

 64  6   6  (1.10)

 74  7   7  (1.11)

   0 (1.12)

Observe que os coeficientes 4 ,  ,  e  ,  , estão relacionados com as funções


demanda e oferta da mercadoria 1, enquanto coeficientes 64 , 6 , 6 e 7 , 7 , 7 estão
relacionados com a demanda e oferta da mercadoria 2.
Não nos preocupamos em especificar os sinais dos coeficientes, mas no decorrer da
análise emergirão algumas restrições necessárias para que se atribua o sentido
econômico aos resultados. Em um exemplo numérico posterior também serão feitos
alguns comentários sobre o s sinais específicos dos coeficientes de dados.
Finalmente, aglutinando as equações de (1.7) a (1.12) num sistema de equações
simultâneas, obteremos (2.16):

 4      
    
  4  
   0 
  6 4  6   6 
(1.13)
  74  7   7 
    0
Como primeiro passo de solução do modelo, recorremos à eliminação de variáveis.
Considerando que   e substituindo a segunda equação de (1.13) na
primeira, obteremos:

4      4       % )   +  )  + )4  4 +

(1.14)
Da mesma forma, considerando que   no Sistema (1.12) e substituindo a
quinta equação de (1.12) na quarta, obteremos:

74  7   7  64  6   6  % )6  7 +  )6  7 + )64  74 +

(1.15)

As Equações (1.14) e (1.15) constituem o seguinte sistema de duas equações


simultâneas:

)   +  )  + )4  4 + 


)6  7 +  )6  7 + )64  74 +
(1.16)

O sistema de equações (1.16) representa a versão formal para um modelo de um


mercado com duas mercadorias. A fim de reduzir o número de parâmetros no
modelo, define-se     e 8 6  7 , com i=0,1 e 2, e substituindo em (1.16),
obteremos:

     4 
8   8  84
(1.17)

Podemos resolver este problema por substituição. Primeiramente, para obter os


preços de equilíbrio, P1 e P2, isolamos P2 na primeira equação de (1.17), donde
obteremos:


9):; <:= >= +
:?
(1.18)

Substituindo (1.18) na segunda Eq. (1.17), obtemos:

8   8 84 %  8    8  4 8   84 %
9):; <:= >= +
:?

 @:; A? 9:? A;B


: A 9: A
? = = ?
(1.19)

Ou

 @:? A; 9:; A?B


: A 9: A
= ? ? =
(1.20)

Agora, substituindo (1.20) na segunda equação de (1.17), temos:


D E FD E
9CA= @ ? ; ; ? B<A; G
8 @: B  8  84 %  %
:? A; 9:; A? D= E? FD? E=
= A? 9:? A= A?

8 ) 84  4 8 +84 ) 8   8 +
H  8   8
I
 %
8

J8 ) 84  4 8 +84 ) 8   8 +K


 %
8 ) 8   8 +

 ):;
): A= 9:= A; +
= A? 9:? A= +
(1.21)

Para que os preços de equilíbrio P1 e P2 tenham sentido econômico, algumas


restrições necessitam ser impostas. Em primeiro lugar, já que a divisão de um
número por zero não é definida, requer-se que o denominador comum de (1.20) e
(1.23) sejam não nulos (isto é,  8 L  8). Em segundo lugar, para que seja
garantida a positividade dos preços, o numerador precisa ter o mesmo sinal do
denominador (isto é, se 4 8   84 M 0, então,  8   8 M 0 e da mesma forma,
se se 4 8   84 N 0, então,  8   8 N 0).
Substituindo (1.20) e (1.21) na primeira equação de (1.13), obtemos:

 4   @ B   ):; %
:? A; 9:; A? ): A= 9:= A; +
:= A? 9:? A= = A? 9:? A= +

4 ) 8   8 +   ) 84  4 8 +   )4 8   84 +
 
 8   8

Ou seja, as quantidades de equilíbrio  O  são as seguintes:

 
P; ):= A? 9:? A= +<P= ):? A; 9:; A? +<P? ):; A= 9:= A; +
:= A? 9:? A=
(1.22)

Também, substituindo (2.23) e (2.24) na primeira equação de (2.16), obtemos:

 64  6 @:? A; 9:; A? B  6 ):; A= 9:= A; + %


: A 9: A ): A 9: A +
= ? ? = = ? ? =


Q; ):= A? 9:? A= +<)Q= :? A; 9:; A? +<Q? ):; A= 9:= A; +
:= A? 9:? A=
(1.23)

Ou seja, conforme (1.23), as quantidades de equilíbrio  O  são as seguintes:

 
Q; ):= A? 9:? A= +<)Q= :? A; 9:; A? +<Q? ):; A= 9:= A; +
:= A? 9:? A=
(1.24)
O modelo dado por (1.13) limitou-se ao caso de dois bens. No entanto, podemos sair
de um problema de equilíbrio parcial, como o modelo de um mercado com duas
mercadorias e podemos evoluir para um problema mais geral e ingressar numa
análise de equilíbrio geral. Portanto, à medida que mais mercadorias entram no
modelo, passam existir mais variáveis e equações e, em conseqüência, o modelo
torna mais complicado. Se todas as mercadorias de uma economia são incluídas em
um modelo de mercado, teremos um modelo de equilíbrio geral do tipo Walrasiano,
no qual o excesso de demanda para cada mercadoria é considerado uma função
dos preços de todas as mercadorias da economia.
Em geral, com n mercadorias ao todo, pode-se expressar as funções de demanda e
de oferta da seguinte maneira:

  ) ,  , … ,  + , com R 1, 2, … , U. (1.25)

  ) ,  , … ,  +, também, com R 1, 2, … , U.


e
(1.26)

Da mesma forma, a condição de equilíbrio é composta de um conjunto de n


equações:

   0, com R 1, 2, … , U. (1.27)

Resolvemos o modelo (1.13), para um mercado de duas mercadorias, por uma


técnica de substituição de variáveis. Esta técnica é possível de ser aplicada somente
quando o número de equações do sistema é pequeno, digamos, de no Maximo de
três equações e três variáveis.
Assim, quando estamos modelando sistemas com um conjunto muito grande de
equações e variáveis, então, temos que recorrer a alguma técnica de solução mais
apropriada. Existe um conjunto grande dessas técnicas, contudo, concentraremos
no estudo somente nas técnicas de Eliminação de Gauss e de Gauss-Jordan. Para
tanto, antes de estudar a aplicação dessa técnica, devemos estudar os conceitos de
Álgebra Matricial, como as operações básicas com matrizes.
1.3 Características de sistemas lineares

Um sistema linear pode ser caracterizado por várias situações. Para entender o que
acontece com um sistema de equações lineares, consideremos um sistema de uma
única equação com uma incógnita, como por exemplo:

 (1.28)

A solução da Eq. (2.30) é dada por  ⁄ . Portanto, de acordo com esta solução,
onde a é coeficiente da variável x, b é a constante independente.

temos as seguintes características para a equação (1.28):

b
i) Se a ≠ 0 e b qualquer, temos que x = . Assim, uma única solução e neste
a
caso dizemos que a equação é possível ( compatível, consistente ) e
determinada;
ii) Se a = b = 0, temos que qualquer número real x é solução da equação (ou
seja, x pode assumir qualquer valor no domínio dos números reais, pois,
0 0). Nenhuma solução especifica pode ser encontrada para (1.28), e esta
equação tem infinitas soluções e dizemos que ela é possível e indeterminada;
iii) Se a = 0 e b ≠ 0, ficamos com 0.x = b e a equação não tem solução. Neste
caso, dizemos que a equação (1.28) é impossível (incompatível e
inconsistente).

No caso geral, uma interpretação análoga àquela dada acima pode ser dada a um
sistema de m equações e n incógnitas. Neste caso, cada equação representa um
plano no espaço. Portanto, considerando o sistema geral (1.1), transcrito abaixo

     
   
     
  
  
. 
 .
(1.29)
 .
    
   

Portanto,temos que, para um dado sistema geral, ele poderá ter o seguinte
comportamento:
i) Uma única solução e neste caso dizemos que o sistema é possível
(compatível, consistente ) e determinado;
ii) Infinitas soluções e neste caso dizemos que ele é possível e indeterminado;
iii) Nenhuma solução e neste caso dizemos que o sistema é impossível
(incompatível i e inconsistente).

Assim, as soluções de sistemas lineares como (1.29) recaem uma das


possibilidades, conforme diagrama esquemático abaixo.

 possível determinado (solução única)


Sistema  indeterminado ( infinitas soluções )

impossível ( sem solução )

No caso em que temos um sistema com duas equações e duas incógnitas, temos
uma interpretação geométrica bastante simples das situações colocadas
anteriormente.

ax + by = c 
W (1.30)
a1x + b1 y = c1

As equações do sistema (1.30) podem ser interpretadas como duas retas no plano e
temos as seguintes interpretações geométricas:

i) Solução Única (o sistema é determinado): as retas se interceptam num único


ponto.

Para ilustrar esse problema, consideremos o seguinte exemplo:

  3* 3
2  * 8
(1.31)

Para resolver o sistema (1.31), tomemos uma das equações, isolamos uma das
variáveis e substituímos na outra equação do sistema. Ou seja:

  3* 3 %  3*  3 (1.32)
E substituindo em

2  * 8 % * 2  8 % * 2)3*  3+  8 %

* 6*  6  8 % 7* 14 % * 2
]
^
(1.33)

Substituindo o valor de y=2, obtido em (1.33), numa das equações de (1.31),


obtemos:

  3* 3 %  3*  3 %

 3.23 %  3 (1.34)

Portanto, o ponto de equilíbrio estimado é (2,3), conforme, também, pode ser


evidenciado no gráfico da Figura (1.1), abaixo.

12

10

6
y ( x)
4
f ( x)
2

−2

−4
−2 −1 0 1 2 3 4 5 6
x

Figura 1.1: Solução do sistema (1.31) (Sistema determinado).

ii) Infinitas Soluções (sistema indeterminado): as retas são coincidentes

Para ilustrar esse problema, consideremos o seguinte exemplo:

  3* 7 
2  6* 14
(1.35)
Para resolver o sistema (1.35), tomamos uma das equações, isolamos uma das
variáveis e substituímos na outra equação do sistema. Ou seja:

  3* 7 %  3*  7 (1.36)

E substituindo (1.36) na segunda equação de (1.35), tem-se:

2  6* 14 % 6* 2  14 % 6* 2)3*  7+  14 %

6* 6*  14  14 % 0 0 % RUO3O_RUçã0 (1.37)

Portanto, no caso de um sistema indeterminado, conforme se observa no gráfico da


Figura (1.2), abaixo, as curvas se sobrepõem.

8.167

7.333

6.5
y ( x)
5.667
f ( x)
4.833

3.167

2.333
0 2.5 5 7.5 10 12.5 15 17.5 20
x

Figura 1.2: Solução do sistema (1.35), sistema indeterminado.

iii) Não existe solução sistema é impossível: as retas são paralelas.

Para ilustrar esse problema, consideramos o seguinte exemplo:

  3* 7
2  6* 7
(1.38)

Para resolver o sistema (1.38), tomamos uma das equações, isolamos uma das
variáveis e substituímos na outra equação do sistema. Ou seja:
  3* 7 %  3*  7 (1.39)

E substituindo (1.39) na segunda equação de (1.38), tem-se:

2  6* 7 % 6* 2  7 % 6* 2)3*  7+  7 %

6* 6*  14  7 % 0 7 % R`0aaíbO/ (1.40)

Portanto, no caso de um sistema impossível, conforme se observa no gráfico da


Figura (1.3), abaixo, as retas se encontram paralelas.

7.729

6.458

5.188
y ( x)
3.917
f ( x)
2.646

1.375

0.104

− 1.167
0 2.5 5 7.5 10 12.5 15 17.5 20
x

Figura 1.3: Solução do sistema (2.39), sistema impossível.

1.4 Exercício

1) Considere as seguintes funções de demanda e de oferta dadas por (2.42),

 10  2  
abaixo

 2  3  2 
c 
 15    
(1.41)
 1  2  3
e determine as soluções de equilíbrio, caso elas existam e comente sobre as suas
características da solução.
2) Para os sistemas lineares apresentados abaixo, verifique o tipo de solução
apresentada por cada um deles.

  2*  32 6
2  * 5  2  * 5 
c) 2  3*  22 14
6  3* 15 6  3* 10
3  *  2 2
a) ; b)

  2* 10   2* 10
  2*  2 4
+ ; e) 2  2* 4 e f) 2  2* 4
2  *  32 4
3  5* 26 3  5* 20

1.5 Representação matricial de sistemas lineares

De uma forma genérica, um sistema de equações lineares é definido por n equações


simultâneas e n variáveis desconhecidas, conforme abaixo:

e . f gf (1.42)

onde A é a matriz do sistema (matriz de coeficientes), f é um vetor das variaveis

desconhecidas (incognitas) e gf um vetor dos termos independentes do sistema.


Estes vetores e matriz são definidos como segue:

  
   
j   
  m j  m j m

i

l i . l i l
. f
g .
e i
.
l , f i .
l e i l
i l i l i . l
i . l i . l i . l
h   
  k. h  k . h  k.

(1.43, 1.44 e 1.45)

Na matriz A acima (em 1.43), se o número de linhas e de colunas são diferentes,


 L U, então, temos um sistema retangular de equações simultaneas e, por outro
lado, se  U, então, temos uma matriz quadrada, onde o número de linhas é é
igual ao número de colunas.
Devemos ressaltar que quando algum elemento de gf assumir valor igual a zero, a
respectiva equação linear será homogênea. Assim, quando os valores numéricos de
todas as equações de um sistema linear forem iguais a zero ( gf 0), o sistema é
chamado de sistema linear homogêneo. Conjunto solução ou conjunto verdade de
um sistema linear é o conjunto dos valores de todas as incógnitas de um sistema de
equações lineares.

2. Matrizes e Vetores

Uma matriz é um conjunto organizado de números dispostos em linhas e colunas. Por


exemplo, uma matriz Am×n (lê-se m por n), é uma tabela de m×n número, chamados
elementos, dispostos em m linhas e n colunas,

  
 
j   
  m
i l

.
e. i .
l
i l
.
(1.46)
i l
h    
  k.

Uma matriz é usualmente representada por uma letra maiúscula, como por exemplo, A, B,
etc. O elemento  , como i=1, 2, ..., m e j=1, 2, ..., n, está localizado na i-ésima linha e na j-
ésima coluna.
Incorporando o vetor independente gf como última coluna na matriz Am×n, obtém-se o que
chamamos de matriz ampliada do sistema. Cada linha desta matriz é simplesmente uma
representação abreviada da equação correspondente no sistema.
Como exemplo matriz ampliada do sistema considere o seguinte sistema:

  4*  32 1
 2  5*  42 4 
  3*  22 5
(1.46)

O sistema (1.46) pode ser representado na seguinte forma matricial:

1 4 3  1
n2 5 4 o p * q n 4o
1 3 2 2 5
(1.47)

A matriz ampliada do sistema (1.47) é a seguinte:

1 4 3 1
n2 5 4 4o
1 3 2 5
(1.48)

Como já enfatizado anteriormente, o elemento  , está localizado na i-ésima linha e na j-


ésima coluna. Assim, para i fixado igual a algum número inteiro e j=1,2,..., n, temos a
seguinte matriz linha ou vetor linha:
J  
  K (1.49)

e, da mesma forma, para j fixado igual a algum numero inteiro e i=1,2,...,m. temos a seguinte
matriz coluna ou vetor coluna:


j   m
i . l
i l
i . l
i . l
(1.50)

h k

Os elementos da diagonal principal de uma matriz são aij para i=j. Os elementos da diagonal
secundária da matriz A são aij para i+j =n+1.
Como exemplo, considere a matriz quadrada An×m=A3×3 abaixo, na qual n=m=3:

1 2 3
er.r n4 5 6o
7 8 9
(1.51)

E neste exemplo, a linha a2j (i=2 e j=1,2, 3) e a coluna ai2 (j=2 e i=1,2,3), são,
respectivamente:

2
J 4 5 6K e n 5o
8
(1.52 e 1.53)

A diagonal principal e a diagonal secundária da matriz (1.54) são respectivamente:

1 3
n 5 o e n 5 o
9 7
(1.54 e 1.55)

Podemos observar que existem algumas matrizes, seja pela quantidade de linhas ou
colunas, ou ainda pela natureza de seus elementos, têm propriedades que as diferenciam
de uma matriz qualquer. Esses tipos de matrizes aparecem freqüentemente na prática e, por
isso, recebem nomes especiais, como segue:

 Matriz Quadrada é aquela cujo número de linhas é igual ao número de colunas (m=n).

1 2 0
Ou seja,

er.r n3 0 1o
4 5 6
(1.56)

 Matriz Nula é aquela em que aij=0 para todo i e j. Ou seja,


0 0 0 0 0
0 0
e . C G e tr.u n0 0 0 0 0o
0 0
0 0 0 0 0
(1.57 e 1.58)

 Matriz Diagonal é uma matriz quadrada (m=n), onde aij=0 para todo i≠j. Ou seja, os

3 0 0 0
elementos que não estejam na diagonal são nulos, conforme o exemplo abaixo.

7 0 0
er.r n0 1 0o t].] v0 3 0 0w
0 0 3 0
0 0 1
0 0 3
e (1.59 e 1.60)
0

 Matriz Identidade é uma matriz quadrada (m=n), em que todos os elementos da


diagonal principal são iguais a 1 (ou seja, elementos aij, tal que i=j) e os demais
são nulos (elementos aij, tal que i≠j). A matriz identidade é representada por I n ,
sendo n a ordem da matriz. Assim,

1 0 0 
1 0 
I 3 = 0 1 0  e I2 =  
0 0 1  0 1 
(1.61 e 1.62)

 Matriz Triangular Superior é uma matriz quadrada, cujos elementos abaixo de


sua diagonal principal forem iguais a zero. Isto é, m=n e aij=0, para todo i>j,
como pode ser observado nos exemplos abaixo.

2 1 0

er.r n0 1 4o e t . C G
0 
0 0 3
(1.63 e 1.64)

 Matriz Triangular inferior é uma matriz quadrada, cujos elementos acima de sua
diagonal principal forem iguais a zero. Isto é, m=n e aij=0, para todo i<j, como
pode ser observado nos exemplos abaixo.

 2 0 0
a 0 
A2×2 =   B 3×3 =  3 5 0 
b 3  − 1 / 2 − 4 5 
(1.65 e 1.66)

 Matriz Transposta de uma matriz Amxn = aij é a matriz At nxm = a ji . Ou seja,

trocam-se as linhas pelas colunas, como pode ser verificado no exemplo que
se segue.
2 - 1 
2 3 0
A=  A t = 3 - 2 
− 1 − 2 1  0 1 
(1.67 e 1.68)
A partir da Transposta de uma matriz pode-se estabelecer as seguintes
propriedades:

 Uma matriz é simétrica se e somente se ela é igual à sua transposta.


Isto é, se e somente se A=At;

 Att=A. Isto é, a transposta da transposta de uma matriz é ela mesma;


 (A+B)t=At+Bt. Em outras palavras, a transposta de uma soma é igual à
soma das transpostas;

 (KA)t=KAt, onde K é qualquer escalar.

 Portanto, a partir da primeira propriedade de transposta de uma matriz,


podemos dizer que uma Matriz Simétrica de uma matriz Am×n quadrada (m=n) é

tal que ela é igual a sua transposta. Assim, como (2.67) temos que A3×3 = A3t ×3 ,

então, a matriz (2.67) é simétrica.


2 0 1 
A3×3 = A3t ×3 = 0 4 0 
1 0 3 
(1.69)

 Matriz Oposta de uma matriz Am×n=aij é uma matriz Bm×n = − Am×n = −aij . O

exemplo abaixo ilustra a situação, na qual Bm×n é oposta a Am×n .

3 −1 − 4  - 3 1 4 
A2×3 =   -A= 
4 − 2 0  - 4 2 0  (1.70 e 1.71)

 Matriz Idempotente é uma matriz quadrada tal que multiplicada por ela mesma
resulta nela mesma, Anxn × Anxn = Anxn .

2 / 3 1 / 3 
A= 
2 / 3 1 / 3  (1.72)
Para verificar se uma matriz é Idempontente, devemos primeiro aprender a
operação de multiplicação de matrizes, como veremos a seguir.

3. Operações com Matrizes

De maneira similar aos números, também temos necessidade de estabelecer


alguma operação com matrizes, como adição, diminuição, multiplicação e divisão.
Portanto, nas subseções que seguem mostraremos como se operacionaliza
matrizes.

3.1 Adição de Matrizes

Para somarem-se duas matrizes Am×n e Bm×n é necessário que elas sejam de mesma
[ ] [ ] [ ]
ordem, obedecendo a fórmula geral A aij + B bij = C c ij . Assim, teremos que

c ij = aij + bij  i e j. Assim, se

 a11 a12 L a1n   b11 b12 L b1n 


a a22 L a2 n  b b22 L b2 n 
Am × n =  21 e Bm × n =  21
 M M O M   M M O M 
   
am1 am 2 L amn  bm1 bm 2 L bmn 

(1.73 e 1.74)

então,

 (a11 + b11 ) (a12 + b12 ) L (a1n + b1n ) 


 (a + b ) (a22 + b22 ) L (a2 n + b2 n ) 
Am×n + Bm×n =  21 21
 M M O M 
 
(am1 + bm1 ) (am2 + bm2 ) L (amn + bmn ) (1.75 e 1.76)

Como exemplo de adição de matrizes considere

2 1 0 1 4 0
er.r n0 1 4o e tr.r n4 2 4o
0 0 3 2 1 2
(1.77 e 1.78)
Então,

)2  1+ )1  4+ )0  0+ 3 5 0
er.r  tr.r v)0  4+ )1  2+ )4  4+w n4 3 8o
)0  2+ )0  1+ )3  2+ 2 1 5
(1.79)

Considere as matrizes A, B e C e 0 como a matriz nula, então:

i) A+B=B+A (Comutatividade);
ii) A+(B+C)=(A+B)+C (associatividade).

iii) A+0=A , onde 0 denota a matriz nula (elemento neutro da adição);


iv) A+[-A]=0 (elemento simétrico).

3.2 Multiplicação por um escalar

Uma matriz Am×n multiplicada por um escalar K obedece a formula geral


[
KA = Kaij
mxn
]
. Assim, se,

 a11 a12 L a1n 


a a22 L a2 n 
Am×n =  21
 M M O M 
 
a m1 a m2 L amn 
(1.80)

e K, um escalar qualquer, então, o produto KAm×n é

 Ka11 Ka12 L Ka1n 


 Ka Ka22 L Ka2 n 
KAm×n =  21
 M M O M 
 
Ka m1 Kam 2 L Ka mn 
(1.81)

Como exemplo considere K=-2 e a matriz A abaixo.

2 10
e . C G
1 3
(1.82)

Assim, obtemos:
2 10 )2 . 2+ )2 . 10+ 4 20
2 . e . 2 . C G H I C G
1 3 )2 . 1+ )2 . 3+ 2 6
(1.83)

Considere as matrizes A e B como matrizes da mesma ordem m×n, 0 como a


matriz nula e números K, K1 e K2, então:

i) K(A+B)=KB+KA;
ii) (K +K )A=K ×A+K ×A;
1 2 1 2

iii) 0×A=0 , onde 0 denota a matriz nula;


iv) (K ×(K A)=(K ×K )A.
1 2 1 2

3.3 Multiplicação de Matrizes

O produto de duas matrizes acontece se o número de colunas da primeira matriz,


por exemplo Am×p, for igual ao número de linhas da segunda, por exemplo Bp×n,
resultando em uma matriz com o número de linhas da primeira e colunas da
segunda. Assim, A (a ij ) × B (b ij ) = AB mxn .
mxp pxn

O produto de duas matrizes pode também ser entendia como:

AB = a i1 b1 j + a i 2 b2 j + L + a ip b pi
(1.84)

ou

p
AB = ∑ aik bkj , com i=1, 2, ..., m (1.85)
k =1

Assim, se

 a11 a12 L a1p   b11 b12 L b1n 


a a22 
L a2 p  b b22 L b2 n 
Am× p =  e B p×n = 
21 21
 M M O M   M M O M 
   
a m1 a m2 L amp  b p1 b p2 L b pn 

(1.86 e 1.87)
Então,
( ) (a11b12 + a12b22 + L + a1 pb p2 )
 a11b11 + a12b21 + L + a1 p b p1 L (a11b1n + a12b2n + L + a1 pb pn ) 

ABm×n = 
(
a21b11 + a22b21 + L + a2 p b p1) (a21b12 + a22b22 + L + a2 pb p2 ) L (a21b1n + a22b2n + L + a2 pb pn )
 M M O M 

(
 n1 11 n 2 21 + L + amp b p1
a b + a b ) (an1b12 + an2b22 + L + ampb p2 ) L ( 
an1b1n + an2b2n + L + amp b pn  )
(1.88)

Como exemplo, considere as matrizes A3×2 e B2×3 abaixo:

1 5 
9 2 3 
A3×2 = 2 3  e B2×3 =   (1.89 e 1.90)
6 − 1 7 1 4 

Donde obtemos AB3×3 como segue:

 (1 × 9 + 5 × 7 ) (1 × 2 + 5 × 1) (1 × 3 + 5 × 4 ) 
AB3×3 =  (2 × 9 + 3 × 7 ) (2 × 2 + 3 × 1) (2 × 3 + 3 × 4 ) 
(6 × 9 + −1 × 7 ) (6 × 2 + −1 × 1) (6 × 3 + −1 × 4 )
 (9 + 35 ) (2 + 5 ) (3 + 5 )  44 7 8 
= (18 + 21) (4 + 3 ) (6 + 12 ) 39 7 18  (1.91)
=  
 (54 − 7 ) (12 − 1) (18 − 4 ) 47 11 14 

Para verificarmos as propriedades das operações de multiplicação entre matrizes,


considere as matrizes A, B e C, 0 como uma matriz nula e I como uma matriz
identidade, então:

i) A×I=I×A (Isto justifica o nome da matriz identidade);


ii) A×(B+C)=A×B+A×C (Distributiva à esquerda da multiplicação, em relação à
soma);
iii) (A+B) ×C=A×C+B×C (Distributiva à direita da multiplicação, em relação à
soma);
iv) (A×B) ×C=A×(B×C) (Associativa);
v) (A×B)t=Bt×At (observe a ordem);
vi) 0×A=0 e A×0=0;
vii) Finalmente, em geral A×B≠B×A (podendo um dos membros estar definido e
outro não). Ainda note que se Am×n e Bm×n, então, A×B=C é tal que Cm×m e se
B×A≠D, então, Dn×n. Vejamos o exemplo abaixo.
Para tanto, consideramos

1 1 1 1 2 3
e n3 2 1o e t n2 4 6o
2 1 0 1 2 3
(1.92 e 1.93)

Então,

et
)1 . 1  )1 . 2+  1 . 1+ )1 . 2  )1 . 4+  1 . 2+ )1 . 3  )1 . 6+  1 . 3+
v)3 . 1  2 . 2  )1 . 1++ )3 . 2  2 . 4  )1 . 2++ )3 . 3  2 . 6  )1 . 3++w
)2 . 1  1 . 2  0 . 1+ )2 . 2  1 . 4  0 . 2+ )2 . 3  1 . 6  0 . 3+

)1  2  1+ )2  4  2+ )3  6  3+ 0 0 0
v)3  4  1+ )6  8  2+ )9  12  3+w n0 0 0o
)2  2  0+ )4  4  0+ )6  6  0+ 0 0 0
(1.94)

Por outro lado, temos que:

te
)1 . 1  2 . 3  3 . 2+ )1 . 1  2 . 2  3 . 1+ )1 . 1  2 . 1  3 . 0+
v)2 . 1  4 . 3  6 . 2+ )2 . 1  4 . 2  6 . 1+ )2 . 1  4 . 1  6 . 0+ w
)1 . 1  2 . 3  3 . 2+ )1 . 1  2 . 2  3 . 1+ )1 . 1  )2 . 1+  3 . 0+

)1  6  6+ )1  4  3+ )1  2  0+ 11 6 1
v)2  12  12+ )2  8  6+ )2  4  0+w n22 12 2o
)1  6  6+ )1  4  3+ )1  2  0+ 11 6 1
(1.95)

Como observamos, (1.94) é diferente de (1.95), pois, A×B≠B×A.

3.3.1 Exercícios

a) Sejam

1
1 2 3 2 0 1
e C G; t C G; x n 2 o e y J2 1K
2 1 1 3 0 1
4
e encontre:

(i) A+B; (ii) A×C; (iii) B×C; (iv) C×D; (v) D×A; (vi) D×B; (vii) –A;
(viii) –D;

2 3 5 1 3 5 2 2 4
b) Dadas

e n1 4 5o ; t n 1 3 5o e x n 1 3 4o
1 3 4 1 3 5 1 2 3

i) Mostre que AB=BA=0; AC=A e CA=C;


ii) Use os resultados de (i) para mostrar que ACB=CBA, A2-B2=(A-B)(A+B) e
(A±B)2=A2+B2.

c) Seja e C 2  G. Se ez e, então, determine x.


2  1 0
d) Se A é uma matriz simétrica, então determine A-At.
e) Se A é uma matriz triangular superior, então determine At.
f) Se A é uma matriz diagonal, então determine At.
g) Verdadeiro ou Falso:
 (-A)t=-At;
 (A+B)t=At+Bt;
 (-A)×(-B)=-(AB);
 Se A e B são matrizes simétricas, então, AB=BA;
 Se pudermos efetuar o produto A×A, então, A é uma matriz quadrada.

h) Se A é uma matriz triangular superior, então, determine A2.


2 1
i) Se A2=A×A, então, determine C G .
3 2
j) Ache x, y, z e w, se

 * 2 3 1 0
C GC G C G
2 { 3 4 0 1

3.4 Operações elementares

São três as operações elementares sobre as linhas de uma matriz:


i) Permuta da i-ésima e j-ésima linhas, ou seja, (| } | ). Considere, por

1 0
exemplo, que:

e n 4 1o
3 4
(1.96)

Então, a permutação | } |r de A conduz a matriz linha equivalente (= ↔) B:

1 0 ? }€ 1 0
e n 4 1o ~
} t n3 4o
3 4 4 1
(1.97)

Ou seja, e } t.

ii) Multiplicação da i-ésima linha por um escalar, ou seja, (| % | ), onde o
símbolo → quer dizer implica. Isto pode ser evidenciado, considerando a matriz
A dada em (1.96) e efetuando a operação | % 3| . Assim obteremos a
matriz linha equivalente B:

1 0 ? %9r? 1 0
e n 4 1o } ~ t n12 3o
3 4 4 1
(1.98)

Ou seja, e } t.

iii) Substituição da i-ésima linha pela i-ésima linha mais K vezes a j-ésima linha, ou
seja, (| % |  | ). Portanto, considerando a matriz A dada em (1.96) e
efetuando a operação | % |  | . obteremos a matriz equivalente B:

1 0 € %€ < = 1 0
e n 4 1o }~ t n 4 1o
3 4 1 4
(1.99)

Ou seja, e } t.
Em concordância com as operações elementares (i), (ii) e (iii) acima, podemos
afirmar que se A e B são matrizes m×n, então, B será linha equivalente a A, se B for
obtida de A, através de um número finito de operações elementares sobre as linhas
de A. Assim, utilizaremos a notação A↔B ou A∼B.
O exemplo abaixo ilustra um conjunto de operações elementares sobre a matriz A
(dada em (2.89)), tal que a torne linha equivalente à matriz B, abaixo. Ou seja,

1 0 1 0
e n 4 1o é linha equivalente a t n0 1o
3 4 0 0

Pois,

1 0 ? %? 9]= 1 0 € %€ <r= 1 0 ? %9? 1 0 € %€ 9]?


e n 4 1o }~ n 0 1o }~ n0 1o } ~ n0 1 o }~
3 4 3 4 0 4 0 4

1 0
t n0 1 o
0 0
(1.100)

Para finalizar, em termos de matrizes, podemos enunciar os seguintes teoremas:

i) Dois sistemas que possuem matrizes ampliadas equivalentes são


equivalentes;
ii) Uma matriz m×n é linha reduzida à forma escada se:

a) O primeiro elemento não nulo de uma linha não nula for igual a 1;
b) Cada coluna que contém o primeiro elemento não nulo de alguma linha
tem todos os seus outros elementos iguais a zero;
c) Toda linha nula ocorre abaixo de todas as linhas não nulas (isto é,
daquelas que possuem pelo menos um elemento não nulo);
d) Se as linhas 1, 2, ..., r são linhas não nulas, e se o primeiro elemento
não nulo da linha i ocorre na coluna ki, então, k1<k2< ... <kr.

Como exemplo de matriz linha reduzida à forma escada temos:

 A matriz A1 em (1.101), abaixo, não satisfaz uma matriz linha reduzida à


forma escada, pois a condição (b) não é satisfeita.

1 0 0 0
e1 n0 1 1 0o
0 0 1 0
(1.101)
 A matriz A2 em (1.102), abaixo, não satisfaz uma matriz linha reduzida à
forma escada, pois as condições (b) e (d) não são satisfeitas.

0 2 1
e2 n1 0 3o
0 0 0
(1.102)

 A matriz A3 em (1.103), abaixo, não satisfaz uma matriz linha reduzida à


forma escada, pois as condições (a) e (c) não são satisfeitas.

0 1 3 0 1
e3 n0 0 0 0 0o
0 0 0 1 2
(1.103)

 A matriz A4 em (1.104), abaixo, satisfaz uma matriz linha reduzida à forma

0 1 3 0 2
escada, pois todas as condições são satisfeitas.

e4 n0 0 0 1 2o
0 0 0 0 0
(1.104)

Ainda com relação a matrizes podemos apresentar o seguinte teorema:

 Toda matriz Am×n é linha equivalente a uma única matriz-linha reduzida à


forma escada.

3.5 Escalonamento ou Eliminação Gaussiana para a solução de um Sistema de


Equações Lineares

Conforme já definido, um sistema de equações lineares, com m equações e n


variáveis é definido como segue:

a11 x1 + a12 x2 + K a1n xn = b1


a21 x1 + a22 x2 + L a2 n xn = b2
 M M O
(1.105)
a x + a x + L a x = b
 m1 1 m2 2 mn n m

O sistema de equações lineares (1.105) pode ser escrito na forma matricial seguinte:

 a11 a12 L a1n   x1   b1 


a a22 L a2 n   x 2  b 
Ax = b →  21 =  2 (1.106)
 M M O M  M   M 
    
a m1 a m2 L a mn   x n  bm 
A matriz A é a matriz coeficientes do sistema de equações, x é o vetor de variáveis e
b é o vetor independente.
Portanto, considerando o sistema (1.106), podemos resolvê-lo, utilizando métodos
matriciais.
Para resolver Ax = b basta multiplicá-la, em ambos os lados, pelo inverso da matriz

A, A-1, resultando em x = A −1 b , pois, AA-1=I e Ix=x. Para tanto é necessário saber


calcular a inversa de uma matriz, o que ainda não foi abordado. Sendo assim,
utilizaremos o método de escalonamento ou eliminação de Gauss.
O processo de escalonamento (método de Gauss) para solução de um sistema de
equações lineares corresponde a passar uma matriz ampliada do sistema inicial
(1.106) para matriz-linha equivalente a esta, até chegarmos a uma matriz
conveniente que indique a solução do sistema original (ou seja, uma matriz em
forma de escada, triangular superior). Por outro lado, o método de eliminação
Gauss-Jordan reduz a matriz ampliada do sistema a uma matriz-linha reduzida à
forma escada. Portanto, para aplicarmos está técnicas de solução, basta utilizar os
procedimentos básicos já estudados ao longo desta unidade.
Para definir a matriz ampliada ao sistema (1.106) basta adicionar o vetor
independente b à matriz coeficientes A, como última coluna, como segue:

 a11 a12 L a1n b1 


a a22 L a2n b2 
A / b =  21 (1.107)
 M M O M M 
 
am1 am 2 L amn bm 

Portanto, para podermos realizar algumas alterações no sistema que não afetam o
conjunto das soluções, devemos aplicar as chamadas operações elementares com
linhas, anteriormente estudadas. Em particular, para método de escalonamento
(eliminação de Gauss), devemos transformar a matriz ampliada A / b em uma
matriz-linha equivalente, na forma escada triangular superior. Mas, para aplicarmos
o método de eliminação de Gauss-Jordan devemos transformar a matriz ampliada
A / b em uma matriz-linha equivalente reduzida à forma escada.
Assim, para o método de eliminação de Gauss-Jordan, a matriz ampliada dever ser
uma matriz-linha reduzida à forma escada (já estudadas no item operações
elementares), que sintetizadas para a linguagem do método de eliminação de
Gauss-Jordan, conduz à seguintes considerações:

i) Deve conter um elemento aij não nulo na primeira linha e os demais elementos
das colunas à esquerda (se houver) e abaixo, na coluna, devem ser iguais a
zero. Este elemento é chamado de pivô da linha 1;
ii) Da mesma forma, a linha 2 se possuir um elemento não nulo, este será o pivô,
e deverá ter a sua esquerda, na linha e abaixo, na coluna, somente zeros;
iii) E, assim, subseqüentemente, tal que os primeiros números não nulos de cada
linha (pivôs) devem ser iguais a 1. Na coluna onde houver um pivô, todos os
outros elementos j abaixo do pivô, na respectiva coluna, devem ser 0.

Como exemplo de Matrizes Escada, consideramos as matrizes (1.108), (1.109) e


(1.110), abaixo, na forma triangular superior, contudo, sem satisfazer a condição de
matriz-linha reduzida à forma escada.

2 3 − 6
− 5 0 2 
8 5 12 6
 3 2 1 1 4

A = 0 1 / 2 5 8 7  B = 0 0 0  C = 0 4 1/2 11

 
0 0 0 1 7  0 0 0  0 0 - 19 2 
0 0 0 

(1.108, 1.109 e 1.110)

Contudo, os exemplos abaixo (2.111, 2.112 e 2.113), abaixo, são matrizes linha
Reduzida à forma escada

1 0 − 6
0 1 2 
1 0 12 0 − 5   1 0 0 4 
A = 0 1 5 0 7  B = 0 0 0  C = 0 1 0 11
 
0 0 0 1 7  0 0 0  0 0 1 2 
0 0 0 

(1.111, 1.112 e 1.113)

pois elas satisfazem as seguintes propriedades:

i) O primeiro elemento não nulo de uma linha não nula for igual a 1;
ii) Cada coluna que contém o primeiro elemento não nulo de alguma linha tem
todos os seus outros elementos iguais a zero;
iii) Toda linha nula ocorre abaixo de todas as linhas não nulas (isto é, daquelas
que possuem pelo menos um elemento não nulo);
iv) Se as linhas 1, 2, ..., r são linhas não nulas, e se o primeiro elemento não nulo
da linha i ocorre na coluna ki, então, k1<k2< ... <kr.

Apresentaremos o seguinte exemplo de resolução de sistemas Lineares por Método


de Gauss-Jordan:

 2x + y + z = 8

 x + y + 4 z = 15 (1.114)
0 + 3 y + 2 z = 9

Podemos identificá-lo na forma matricial Ax = b :

2 1 1  x 8 
A = 1 1 4  x =  y  b = 15  (1.115, 1.116 e 1.117)
0 3 2   z   9 

Chamando a matriz ampliada A / b de M, temos:

2 1 1 8 
M = 1 1 4 15 (1.118)
0 3 2 9 

Portanto, para operacionalizar a matriz M e transformá-la em uma matriz-linha


reduzida à forma escada, devemos proceder os seguintes passos:

i) Passo I: primeiro através de operações lineares reduziremos a matriz M a


uma matriz escada transformando os elementos abaixo de cada pivô em
zeros.
2 1 1 8  2 1 1 8
L2 →L2 −(1 / 2 )L1 
M = 1 1 4 15      → 0 1 / 2 7 / 2 11 
  L3 →L3 −6 L2
  →
0 3 2 9  0 3 2 9 

2 1 1 8 
M1 = 0 1 / 2 7 / 2 11 

0 0 − 19 − 57 
(1.119)
Com a matriz M1 acima, já podemos aplicar o método de Gauss (ou método
do escalonamento) e obter a solução do sistema, como podemos ver:

 A partir da última Equação de M1 (2.119), temos que:

192 57 % 2 % 2 3
u^

(1.120)

 A partir da segunda equação de M1, temos que:

*  2 11 % *  . 3 11 % *  21 22 % * 1
 ^  ^

(1.121)

 E, finalmente, a partir da primeira equação de M1, temos que:

2  *  2 8 % 2  1  3 8 %  2
]
(1.122)

ii) Passo II: para chegarmos ao método de Gauss-Jordan, que consiste em


chegar a matriz-linha reduzida à forma escada, devemos proceder a novas
operações de linha com a matriz M1 e depois substituir recursivamente na
matriz resultante, os resultados das variáveis z, y e, finalmente, x.
Assim procedendo e dividindo as linhas pelos pivôs para termos todos pivôs
iguais a 1, temos:

2 1 1 8 
( 1 / 2 )L1 →2 L2 →− (1 / 19 )L3
M1 = 0 1 / 2 7 / 2 11      →
0 0 − 19 − 57 

1 1 / 2 1 / 2 4 
L2 →L2 −7 L3 ;L −(1 / 2 )L3
= 0 1 7 22    →
0 0 1 3 

1 1 / 2 0 5 / 2  1 0 0 2 
 L1 →L1 −(1 / 2 )L2
= 0 1 0 1      → M 2 = 0 1 0 1 

0 0 1 3  0 0 1 3  (1.123)

Observamos que a matriz M2 de (2.123) é uma matriz-linha reduzida à forma


escada, que contém nas três primeiras colunas a matriz coeficientes e na
última coluna o vetor independente, formando um sistema equivalente em
linha ao sistema (2.124), como segue:

1 0 0  2
n0 1 0o p* q n 1o
0 0 1 2 3
(1.124)

O que conduz ao seguinte sistema solução:

 2
p*q n1o
2 3
(1.125)

Ou seja, x=2, y=1 e z=3, como anteriormente obtido.

3.5.1 Exercícios

1. Resolva os seguintes sistemas de equações lineares:

 x + 3 z = −8
(a) 2 x − 4 y = −4
3 x − 2 y − 5 z = 26

 x − y + 2 z − t = 0
(b) 2 x + y + 4 z = 0
 x − y + 2 z − 4 t = 0

 x + y + z = 4
(c) 2 x + 3 y − 1z = 3
2 x + 2 y + 2 z = 1

x y z =4

(d) 2 x 3 y −z =3
2 x 2 y 2z =1

2. Supondo que as matrizes a seguir são as matrizes ampliadas de sistemas de


equações, analise se os sistemas correspondentes são possíveis e
determinados, possíveis e indeterminados ou impossíveis.
1 0 0 0 1
  2 4 4 4
0 0 1 2 3   1 0 1 1  2 4 4 4 
0 1 0 2    
a)  0 
0 0 0 1 b)   c)  0 1 0 1  d)  0 1 0 1 
  0 1 1 1
0 0 0 0 0   0 0 0 2  0 0 1 0 
0 2 2 2 
   
  
0 1 0 0 1

3) Considere a interpretação do economista John Hick do modelo IS-LM, sobre


os elementos do trabalho clássico de Jonh Maynard Keynes, da teoria geral do
emprego, do juro e moeda e examine uma análise IS-LM, para um modelo
linear de uma economia fechada (veja exemplo 4.5, página 115, do livro de
Simon e Brume). Em seguida:
a) Use o método de Eliminação de Gauss para encontrar uma fórmula geral,
envolvendo s, a, m e h, as quais quando satisfeitas, garantem que o sistema
linear obtido determina um único valor de Y e r, para cada escolha de
ƒ „ , …„ , † O … ;
b) Neste caso,,encontre a fórmula explicita para Y e r, em termos de todos os
outros parâmetros;
c) Descreva como mudanças em cada variável exógena afeta os valores de Y
e r.

3.6 Determinante e Inversa de matrizes

Encontrar o determinante de uma matriz é encontrar uma única determinação


( )mxn é
numeral para uma matriz. Denotamos o determinante de uma Matriz A aij A.

O determinante de uma matriz só pode ser calculado em Matrizes Quadradas.


Portanto, considere como exemplo uma matriz A2×2 e determine o seu determinante.
Assim, se
a a12 
A2×2 =  11 (1.126)
a21 a22 

Então, temos que

A = (a11a22 ) − (a12 a21 ) (1.127)

Da mesma forma, se
 3 −1 
A2×2 =  (1.128)
− 1 2 

Então,

A = (3 × 2) − (− 1 × −1) = (6) − (1) = 5 (1.129)

Por outro lado, se temos uma matriz A3×3, devemos aplicar a regra de Sarrus, o que
possibilita estimar facilmente o determinante de uma matriz. Considere a matriz
(1.130) e acompanhe a sinterização dessa regra pelos seguintes passos:

  r
e n    r o
r r rr
(1.130)

1º passo: repete-se a matriz (2.120) no lado direito da mesma:


  r   r

‡    r ‡     r
r r rr r r rr
(1.131)

2º passo: Encontra-se a soma do produto dos elementos da diagonal principal de


(1.131) com os dois produtos obtidos pela multiplicação dos elementos das paralelas
a essa diagonal (a soma deve ser precedida do sinal positivo), conforme esquema
na Figura (1.4).

  r   r


+ + +

‡    r ‡     r
r r rr r r rr
Diagonal Paralelas
Principal

Figura 1.4: Diagrama esquemático da regra de sarrus.

De acordo como o diagrama esquemático da Figura (1.4), obtém-se:

J) .  . rr +  ) .  r . r +  r .   . r +K (1.132)


3º passo: Encontramos a soma do produto dos elementos da diagonal secundária
com os dois produtos obtidos pela multiplicação dos elementos das paralelas a essa
diagonal (a soma deve ser precedida do sinal negativo), conforme esquema na
Figura (1.5).

  r   r


- - -

‡    r ‡     r
r r rr r r rr
Diagonal Paralelas à diagonal
secundária secundária

Figura 1.5: Diagrama esquemático da regra de sarrus.

De acordo como o diagrama esquemático da Figura (1.2), obtém-se:

J)r .  . r +  )r .  r .  +  )rr .   .  +K (1.133)

Finalmente, temos o diagrama final para a regra de Sarrus, conforme Figura (1.6).

  r   r


+ + + - - -

‡    r ‡     r
r r rr r r rr

Figura 1.6: Diagrama esquemático da regra de sarrus.

Considerando o diagrama de Sarus da Figura (1.6), temos o determinante da matriz


(1.130), somando os resultados (2.132) e (2.133), o que resulta:

|e| J) .  . rr +  ) .  r . r +  )r .   . r +K  J)r .  .


r +  )r .  r .  +  )rr .   .  +K (1.134)
Vimos que a regra de Sarrus é válida para o cálculo do determinante de uma matriz
de ordem 3. Quando a matriz é de ordem superior a 3, obrigatoriamente, devemos
empregar o Teorema de Laplace para chegar ao determinante.
Assim, Considerando como exemplo a seguinte matriz

2 0 1
A3×3 = 1 3 −1 (1.135)
2 1 0

O determinante será:

A = ( 2 × 3 × 0) + (0 × ( −1) × 2) + (1× 1×1) − ( 2 × 3 × 1) − (1× ( −1) × 2) − (0 × 1× 0) =


= 0 + 0 + 1 - 6 + 2 - 0 = −3
(1.136)

Para calcular o determinante de uma matriz de ordem superior pelo Teorema de


Laplace, devemos conhecer os conceitos do Menor e do Cofator de uma matriz
( )n×n .
A aij

O Menor do elemento aij de uma Matriz An×n é uma submatriz (n − 1) × (n − 1) que

corresponde a eliminação da i-ésima linha e da j-ésima coluna, denotado por e‰ .


Portanto, se
a11 a12 L a1 j L a1n
a21 a22 L a2 j L a2 n
M M M M
Aij = (1.137)
ai1 ai 2 L aij L ain
M M M M
an1 an 2 L anj L ann

coluna 1, temos que a submatriz e‰ é a matriz restante, ao eliminar a primeira linha
então, se considerarmos, por exemplo, i=1 e j=1, o cruzamento da linha 1 com a

e a primeira coluna, como segue:

  r … 
j     r   r … 
…  m j
i . . . … . m
. . … . l
e . i . l→ e‰) 9+.) 9+ ii . . … . ll
i . . … . l
i . . … . l
i . . . … . l
(2.138)

h  r …  k
h    r …  k
O Cofator do elemento aij de uma matriz An×n, é definido como a~ij = (− 1)i + j Aij .
~

Finalmente, de acordo com o teorema de Laplace, o determinante de uma matriz


quadrada, e . , com elementos aij, pode ser calculado como a soma do produto dos
elementos de uma fila qualquer (linha ou coluna), por exemplo, da primeira linha,
pelos seus Cofatores. Assim, dada a matriz (2.128), temos:

n
A = a11 a~11 + a12 a~12 + L + a1n a~1n = ∑ a1i a~1i (1.139)
i =1

Como exemplo, considere a matriz A3×3 abaixo e determine o determinante pelo


método de Laplace.

2 0 1
er.r n1 3 1o
2 1 0
(1.140)

Portanto,

3 −1 1 −1 1 3
A = 2 × (− 1)1+1 + 0 × (− 1)1+2 1 + 1 × (− 1)1+3 →
1 0 2 0 2 1

A = 2 ×1 ×1 + 0 + 1 ×1 × (− 5 ) = −3 (1.141)

Observe que o determinante estimado para a matriz (1.135), que é a mesma (1.140),
pela Regra de Sarrus em (2.136) produziu o mesmo resultado de (2.141).
Considere também a matriz (2.142), abaixo e calcule o seu determinante.

4 0 1 5
2 7 4 0
e].] Š ‹
0 1 0 3
(1.142)
1 3 1 0

7 4 0 2 4 0
Portanto,

|e| )1+ .4.‡ 1


<
0 3‡ )1+ <
.0.‡ 0 0 3‡  )1+<r . 1
3 1 0 1 1 0
2 7 0 2 7 4
.‡ 0 1 3‡  )1+<] . 5 . ‡ 0 1 0‡ %
1 3 0 1 3 1
|e| 1 . 4 . Œ)7+ . 0 . 0Ž  )4 . 3 . 3+  )0 . 1 . 1+  )3 . 0 . 0+ 
)1 . 3 . )7++  )0 . 1 . 4+  )1+ . 0 . Œ)2 . 0 . 0+  4 . 3 . )1+Ž 
)0 . 0 . 1+  ))1+ . 0 . 0+  )1 . 3 . 2+  )0 . 0 . 4+  1 . 1 . Œ)2 . 1 .
0+  )7+ . 3 . )1+Ž  )0 . 0 . 3+  ))1+ . 1 . 0+  )3 . 3 . 2+ 
)0 . 0 . )7++  )1+ . 5 . Œ)2 . 1 . 1+  )7+ . 0 . )1+Ž  )4 . 0 . 3+ 
))1+ . 1 . 4+  )3 . 0 . 2+  )1 . 0 . )7++ %

|e| 1 . 4 . )0  36  0  0  21  0+  )1+ . 0 . )0  12  0  0  6 
0+  1 . 1 . )0  21  0  0  18  0+  )1+ . 5 . )2  0  0  4  0  0+ %

|e| 1 . 4 . 57  )1+ . 0 . )18+  1 . 1 . 3  )1+ . 5 . 6 %

|e| 228  0  3  30 % |e| 201 (1.143)

Podemos considerar as seguintes propriedades dos determinantes:

i. Quando todos os elementos de uma fila (linha ou coluna) são nulos, o


determinante dessa matriz é nulo. Por exemplo, considere

0 0
e . C G % |e| 0
0 0
(1.144)

ii. Se duas filas de uma matriz são iguais, então seu determinante é nulo. Por
exemplo, considere


e . C G % |e|    0

(1.145)

iii. Se duas filas paralelas de uma matriz são proporcionais, então seu determinante
é nulo. Por exemplo, considere


e . C G % |e|    0
 
(1.146)

iv. Se os elementos de uma matriz são combinações lineares dos elementos


correspondentes de filas paralelas, então seu determinante é nulo. Por exemplo,
considere


e . C G % |e|        0
    
(1.147)
v. De acordo com o teorema de Jacobi, o determinante de uma matriz não se altera
quando somamos aos elementos de uma fila, algum múltiplo de outra fila. Ou
seja, se estabelecer uma combinação linear dos elementos correspondentes de


filas paralelas. Por exemplo, considere

e . C G % |e|   
 


e

t . H I % |t| )  +  )   +


)   + )  +
       )  + (1.148)

vi. Os determinantes de uma matriz An×n e o de sua transposta são iguais. Por
exemplo, se


e . C G % |e|   
 
(1.149)

 
e

ez . C G % |ez |   

(1.150)

vii. Multiplicando-se por um número real todos os elementos de uma fila (linha ou
coluna) de uma matriz, o determinante dessa matriz fica multiplicado por esse
número. Por exemplo, considere



e . n ‘ ’ ‘ o e seu determinante |e|, então,





se t . n ‘ ’ ‘ o % |t| |e| ,com  “ ”.


(1.151)

viii. Quando trocamos as posições de duas filas paralelas de uma matriz o


determinante de uma matriz muda de sinal, mas não o seu modulo. Por exemplo,
se


e . C G % |e|   
 

então,

t . C G % |t|    )  +
 
(1.152)

ix. Quando, em uma matriz, os elementos acima ou abaixo da diagonal principal são
todos nulos, o determinante é igual ao produto dos elementos dessa diagonal.
Por exemplo, considere

2 0 0
er.r n0 3 0o % |e| 2 . 3 . 5 30
0 0 5
(1.153)

x. Quando, em uma matriz, os elementos acima ou abaixo da diagonal secundária


são todos nulos, o determinante é igual ao produto dos elementos dessa diagonal
multiplicados por )1+) <+ . Por exemplo, considere

0 0 5
er.r n0 3 0o %
2 0 0
3 0 0 0 0 3
|e| )1+< . 0 . • •  )1+< . 0 . • •  )1+<r . 5 . • •
0 0 2 0 2 0
0  0  1 . 5 . 2 . 3 30 (2.143)
O que é a mesma que

|e| )1+<r . 2 . 3 . 5 1 . 5 . 2 . 3 30 (1.154)

Pois, n=3, então, )1+) <+ )1+)r<+ )1+] 1.

xi. Para matrizes quadradas de ordem n, An×n e Bn×n, temos que:

|e . t| |e| . |t| (1.155)

xii. Também, se considerarmos a matriz An×n e considerarmos que e . e9 ƒ ,


então, o determinante de

|e . e9 | |ƒ| % |e| . |e9 | |ƒ| % |e9 | % |e9 | |—|


|–| 
|—|
(1.156)
xiii. Considere uma matriz An×n e  “ ”, então | . e|  |e|. Por exemplo,
considere

 
e . C G % |e|   


ka kb
então, se

B . C G % |B| k bc  k ad k )ad  bc+


kd kc
(1.157)

ka kc
B . C G % |B| k ad  k bc k )ad  bc+
kb kd
(1.158)

O interesse primário é relacionar a dependência linear de linhas com um


determinante nulo. Pelas propriedades (ii), (iii) e (iv) podemos ver facilmente que a
independência linear é equivalente à independência de linhas ou colunas.
Assim, dado um sistema de equações lineares ef , onde A é uma matriz n×n,
onde temos

|e| L 0 } a /RUœa 0 0/Ua aã0 RUO`OUOU3Oa } e Uã0 é aRU1/_


} e9 ORa3O }  a0/çã0 úUR f e9 . ORa3O

Assim o valor do determinante de uma matriz A proporciona um critério conveniente


para testar a não singularidade de matrizes e a existência de uma solução única
para o sistema de equação ef . Portanto, o determinante é um critério de
identificação de singularidades.

3.6.1 Exercícios

1. Resolva os determinantes das seguintes matrizes:

1 6 0 4
4 0 5
6 2 0 5
er.r n2 3 5o e (b) e].] Š ‹
3 25 0 1
3 2 1
(a)
8 5 9 4

2. Resolva as seguintes questões:


/01 )8+ log )10+
O valor do determinante de ž 9⁄ ž é (efetue os cálculos):
4 3
i.

^ ur

a) 0; ( b) 4; (c) 7; (d) e (d)

ii. Sejam as matrizes quadradas de ordem 2×2, tal que e .  . Com
 R  Ÿ e t .  . Com    3, se i>j e    3, se i≤j.
Determine:
(a) A matriz A;
(b) A matriz B;
(c) A matriz A×B;
(d) O determinante da matriz A×B.

1 aO R   Ÿ 
iii. A partir da matriz e . Œ , onde 
R  Ÿ aO R N Ÿ
, calcule o

determinante do produto da matriz A pela sua transposta. Ou seja: |e . ez | ,


onde At é a matriz transposta de A.
1 0
Dada a matriz e . C G, calcule o determinante de sua matriz inversa
2 4
iv.

e9 é:
a) -2; b) -4; (c) ; (d)  ] e (e) 4
 

v. A e B são matrizes quadradas de ordem 3, e B=k×A. Sabe-se que |A|=1,5 e


o |B|=96. Então:

a) k=64; (b) k=96; (c) ] e (d) k=4
2 1 3
O Cofator do elemento a23 da matriz er.r n1 2 2o é:
0 1 2
a) 2; (b) 1; (c) -1; (d) -2 (e) 3

vi. Seja A uma matriz quadrada de ordem 3, apresentada abaixo, cujo


determinante é igual a 0,75.

aOU)+ 0 1
er.r n 0 1 2o
2 aOU)+ 0
N  N ¢, determinar o valor de tg(x).
¡

Considerando

1 1 3 1
1 3 3 2
vii. O valor de £ £ é:
2 5 3 2
1 1 1 1
(a) -4; (b) -2; (c) 0; (d) 1 e (e) 1131.

 0 0 
3. Resolva as seguintes questões:

 0   O
Para que ££¤ 0  0 0££ N 32, devemos ter:
1  œ R Ÿ
i.

 0 0 0 0
(a) X>2; (b) 0<x<5; (c) x≤-2; (d) x>5 e (e) 1<x<2

1 11 6
ii. Sabendo-se que o determinante associado à matriz

er.r n2 4 3o é nulo, então, podemos afirmar que essa matriz
3 7 2
tem:
(a) Duas linhas proporcionais;
(b) Duas colunas proporcionais;
(c) Elementos negativos;
(d) Uma fila é combinação linear de duas outras filas paralelas;

2 1 0
(e) Duas filas paralelas iguais.

Se o determinante da matriz er.r n   o é igual a 10, então, o


1 2 2
iii.

2 1 0
determinante da matriz tr.r n  4   3   1o é igual a:
1 2 2

(a) 7; (b) 8; (c) 9; (d) 10 e (e) 11.


3.7 Inversão de Matrizes

Na álgebra dos números reais, um número n é chamado de inverso de um número


r
u
m e é indicado por m-1 se, e somente se, m · n = n · m = 1. Assim, considerando

é o seu inverso de , r , então , u . r r . u 1.


u r u u r

Todo número real  L 0 é invertível em relação à multiplicação, ou seja, sempre


, tal que:  . .  1.
  
  
existe um número

O conceito de inversão é usado para resolver sistemas de equações do tipo


 . Observe o exemplo 4x = 12. Multiplicando-se ambos os membros pelo
inverso de 4, temos:

1 1
. )4+ 12 .
4 4

E, pela propriedade associativa, temos:

1
¥ . 4¦  3 % 1 3
4

Portanto, pela definição de inverso temos:

1 3

E, pela propriedade do elemento neutro na multiplicação (o elemento 1), temos


que:

 3

A necessidade de resolver sistemas de equações lineares do tipo e . f fez


com que se estendesse a teoria de inversão de números reais para as matrizes,
em que A é a matriz de coeficientes, f é o vetor de incógnitas e b o vetor
independente.
Diferentemente da álgebra dos números reais, nem toda matriz possui uma inversa,
chamamos estas matrizes não inversíveis ou singulares.
Seja A uma matriz quadrada de ordem n, tal que



e . n ‘ ’ ‘ o


(1.159)
Então, uma matriz Bn×n é chamada de inversa de An×n se, e somente se, e . .
t . t . . e . ƒ , em que In é uma matriz identidade de ordem n, como
segue:

1 0
0 0
j0 1
0 0m
i l
ƒ i ‘ ‘ ’ ‘ ‘l
i0 0
1 0l
(1.160)

h0 0
0 1k

Portanto, se Bn×n é a matriz inversa de An×n, então, B = A–1 .


Conforme a regra de Kramer, a inversa de uma matriz An×n é a matriz adjunta de
An×n, dividida pelo seu determinante, como segue:

adj[A]
1
A−1 = (1.161)
A

onde Adj[A] é a matriz adjunta de A. Por simplicidade, denominaremos e§ como a


matriz adjunta de A.
Portanto, devemos saber se a matriz A de ordem n apresenta uma matriz inversa.
Para tanto, primeiro devemos verificar se o determinante de A, |A| é diferente de

segundo, estimar a matriz adjunta de A, e§. A matriz e§ é composta por elementos que
zero (condição necessária e suficiente para que a matriz A seja inversível) e,

são os Cofatores dos elementos aij de A, varrendo cada coluna da matriz A.


Como já demonstrado anteriormente, como e . e9 ƒ, então, o determinante de
e9 é estimado como segue:

|e . e9 | |ƒ| % |e| . |e9 | |ƒ| % |e9 | % |e9 | |—|


|–| 
|—|
(1.162)

Se A e B forem duas matrizes inversíveis e de mesma ordem, então, podemos


observar as seguintes propriedades:

i. (A−1 )−1 = A ;
ii. (A ) = (A ) ;
−1 t t −1

(AB)
−1
iii. = A−1B−1 ;
1
A−1 =
iv. A;
v. )e9 +9 e;
vi. )ez +9 )e9 +z ;
vii. Se e t } e9 t 9;

(2.163). Assim, a matriz adjunta e§ de (2.163)


Como exemplo de inversão, considere a matriz A como uma matriz 2×2, dada por


e . C G
 
(1.163)

é estimada como segue:

 Deve-se estimar o Cofator aij, primeiro para cada elemento da coluna j=1 e
depois para cada elemento da coluna j=2 (este procedimento poderia ser feito
também, estimando o Cofator aij primeiro, para a linha i=1 e depois para linha
i=2 e tomando a transposta da matriz resultante).

Portanto, considerando que o Cofator do elemento aij a uma matriz A, é dado por

a~ij = (− 1)i + j Aij , onde e‰ é matriz de ordem (n-1)×(n-1), que representa o Menor
~

elemento, então, para a matriz dada em (2.163), temos a seguinte matriz adjunta:

)1+< || )1+< || )1+< || )1+ < | |


z
 
e§ . H I H I C G (1.164)
)1+ < | | )1+ < || )1+< || )1+ < ||  

Como o determinante |A| da matriz dada em (2.151), e . , é o seguinte:

|e|   

Então, de acordo com a Relação (2.164),temos que:

 )P9:,+
 ,
 
e9 — e§ )P9:,+ C G v w
  )P9:,+
   )P9:,+
: P (1.165)
)P9:,+

Podemos verificar como prova se A e A-1 são realmente inversas. Para isto, basta
verificar se

ee9 ƒ (1.166)
Conseqüentemente, tomando (1.163) como A e (1.65) como A-1 e substituindo em
(1.166), temos que:


j  m
 )   + )   +l
ee9 C G.i   %
  i l
h )   + )   + k

@ B
P9,: 9P,<P,
1 0
ee9 v P9:, P9:,
w C G ƒ .
@
:9:
B @
9:,<P
B 0 1
(1.167)
P9:, P9:,

Assim, considere como exemplo de aplicação, a matriz A2×2, dado em (1.168) e


obtenha a sua inversa.

3 4
e . C G
2 3
(1.168)

Então, o determinante de (1.168) é

|e| )3 . 3+  )2 . 4+ 1 (1.169)

E a adjunta de A, e§, é obtida como segue:

)1+< |3| )1+< |2| )1+< |3| )1+ < |4|


z
3 4
e§ . H I H < |3|I C2 G (1.170)
)1+ < |4|
)1+ < |3|
)1+< |2|
)1+ 3

Portanto, aplicando (1.169) e (1.170) em (1.161), temos:

3 4 3 4
e9 — e§ C G C G
 
 2 3 2 3
(1.171)

Como exemplo de inversão de uma matriz (3×3), considere a matriz A dada por
(1.172).

0 1 0
er.r n2 1 0o
1 3 1
(1.172)

Cujo determinante é
|e| )0 . )1+ . 1+  )1 . 0 . 1+  )0 . 2 . 2+  )1 . )1+ . 0+ 
)3 . 0 . 0+  )1 . 2 . 1+ 0  0  0  0  0  2 2 (1.173)

Assim, a matriz adjunta e§ de (1.173) é estimada como segue:

 Deve-se estimar o Cofator aij, no caso aqui, para cada elemento das linhas i=1,
i=2 e i=3 e, conseqüentemente, tomando a transposta do resultado.

Portanto, para a matriz dada em (1.171), temos a seguinte matriz adjunta:

t
 1+1 − 1 0 1+2 2 0 1+3 2 −1 
 ( −1 ) ( −1 ) ( −1 ) 
 3 1 1 1 1 3
 1 0 0 0 0 1
A = ( −1 )2 +1 ( −1 )2 +2 ( −1 )2 +3 →
 3 1 1 1 1 3 
 3 +1 1 0 0 0 0 1
( −1 ) ( −1 )3 +2 ( −1 )3 +3
 −1 0 2 0 2 − 1 

t t
( −1 − 0 ) − ( 2 − 0 ) ( 6 + 1 )   −1 −2 7
A = − (1 − 0 ) ( 0 + 0 ) − ( 0 − 1 ) → A =  − 1 0 1  (1.174)
 ( 0 − 0 ) − ( 0 − 0 ) ( 0 − 2 )   0 0 − 2 

Portanto, e§ é a transposta do resultado obtido em (1.174). Assim

 −1 −1 0

A = − 2 0 0  (1.175)
 7 1 − 2 

Então, de acordo com a Relação (1.161) e tomando os resultados de (1.173) e de


(1.175), temos que:

0
 
1 1 0
e9 
§
|—| e 9 n2

0 0o Š 1 0 0‹
7 1 2 
^


1
(1.176)

Podemos verificar como prova se A e A-1 são realmente inversas. Para isto, basta
verificar se

ee9 ƒ (1.177)
Conseqüentemente, tomando (1.172) como A e (1.176) como A-1 e substituindo em
(1.177), temos que:

0
 
0 1 0
er.r e9
r.r n2 1 0o . Š 1 0 0‹ %
1 3 1 
^


1

er.r e9
r.r

j @0 .  1 . 1  0 . ) +B @0 .  1 . 0  0 . 1B )0 . 0  1 . 0  0 . 1+
 ^ 
m
i l
i@2 .  )1+ . 1  0 . ) +B @2 .  )1+ . 0  0 . ) +B )2 . 0  )1+ . 0  0 . )1++l
 ^  

i l
h @ 1 .  3 . 1  1 . ) +B @1 .  3 . 0  1 . ) +B )1 . 0  3 . 0  1 . 1+
 ^  
k
1 0 0
n0 1 0o ƒr.r
0 0 1

Agora, considere como exemplo de inversão de uma matriz diagonal principal (3×3),
como segue.

1 0 0
er.r n0 2 0 o
0 0 1
(1.178)

Cujo determinante é

|e| 1 . 2 . 1 2 (1.179)

Assim, a matriz adjunta e§ de (1.178) é estimada como segue:

 Deve-se estimar o Cofator aij, no caso aqui, para cada elemento das colunas
j=1, j=2 e j=2.

Portanto, para a matriz dada em (2.166), temos a seguinte matriz adjunta:

t
 1+1 2 0 2 +1 0 0 3 +1 0 0
( −1 ) ( −1 ) ( −1 ) 
 0 1 0 1 2 0
 0 0 1 0 1 0
A = ( −1 )1+2 ( −1 )2 +2 ( −1 )3 +2 →
 0 1 0 1 0 0 
 1+3 0 2 1 0 1 0
( −1 ) ( −1 )2 +3 ( −1 )3 +3
 0 0 0 0 0 2 
 2 0 0
A =  0 1 0  (1.180)
( 0 0 2 

Então, de acordo com a Relação (1.161) e tomando os resultados de (1.179) e de


(1.180), temos que:

2 0 0 1 0 0
e e§ n0 1 0o v 0 0w
9   
|—|
0 0 2 0 0 1
(1.181)

Podemos verificar como prova se A e A-1 são realmente inversas. Para isto, basta
verificar se

ee9 ƒ (1.182)

tomando (1.178) como A e (1.179) como A-1 e substituindo em (2.182), temos que:

1 0 0 1 0 0
er.r e9 n0 2 0o . v0 0w %

r.r
0 0 1 0 0 1

er.r e9
r.r
1
j )1 . 1  0 . 0  0 . 0+ ¥0 . 0  0 .  0 . 0¦ )1 . 0  0 . 0  0 . 1+m
i 2 l
1
i )0 . 1  2 . 0  0 . 0+ ¥0 . 0  2 .  0 . 0¦ )0 . 0  2 . 0  0 . 1+l
i 2 l
i 1 l
) )0 . 0  0 . 0  1 . 1+
h 0 . 1  0 . 0  1 . 0+ ¥0 . 0  0 .  1 . 0¦
2 k
1 0 0
n0 1 0o ƒr.r
0 0 1

3.7.1 Resolução de sistemas de equações lineares utilizando matriz inversa

Um sistema de equações lineares também pode ser resolvido utilizando matrizes


inversas da seguinte maneira. Para tanto, considere que um sistema de equações
podem ser representado como segue:
 a11 a12 L a1n   x1   b1 
a a22 L a2 n   x 2   b2 
 21 × = (1.183)
 M M O M   M   M 
     
a m1 a m2 L a mn   x m  bm 

ou, de forma compacta como


r
Ax = b (2.184)

Como já demonstrado anteriormente, multiplicando os dois lados de (1.184) pela


inversa de A, A-1, temos:

r −1 r r
Ax = b → 1
A23A x = bA −1 → I n x = bA −1 →
=I n

r
x = bA −1 (1.185)

Portanto, de acordo com (2.185), podemos observar que para determinar o vetor
r
solução x basta determinar a matriz inversa dos coeficientes do sistema de
equações lineares, caso ela exista. Como já observado anteriormente, a inversa de
uma matriz existe se seu determinante é diferente de zero. Neste caso, o sistema é
determinado e apresenta uma única solução.
Para resolver um sistema de equações pelo procedimento de inversão de matrizes,
iremos resolver o exemplo dado pelo sistema (1.114), resolvido anteriormente, pelo
método de Gauss-Jordan, transcrito abaixo.

 2x + y + z = 8

 x + y + 4 z = 15 (1.186)
0 + 3 y + 2 z = 9

r
Observamos que o sistema (1.186) pode ser inscrito na forma matricial Ax = b ,
como segue:

2 1 1  x 8 
A = 1 1 4  x =  y  b = 15  (1.187, 1.188 e 1.189)
0 3 2   z   9 
Em seguida, temos de verificar se a matriz coeficiente, dada por (1.187) possui
inversa. Para tanto, devemos estimar o seu determinante. Assim, procedendo,
temos:

|e| )2 . 1 . 2+  )1 . 4 . 0+  )1 . 1 . 3+  )0 . 1 . 1+  )3 . 4 . 2+ 
)2 . 1 . 1+ 4  3  24  2 19 (1.190)

Como o determinante da matriz coeficiente (1.187) é diferente de zero, então, ela


possui inversa e, conseqüentemente, o sistema (1.186) é determinado e possui uma
única solução.
Portanto, considerando a matriz A, dada em (1.187) e determinando a sua adjunta,
temos:

 1+1 1 4 1 1 1 1
 (-1) (-1) 2 +1 (-1)3+1 
 3 2 3 2 1 4
 1 4 2 1 2 1
A = (-1)1+ 2 (-1) 2 + 2 (-1)3+ 2 →
 0 2 0 2 1 4 
 1+ 3 1 1 2 1 2 1
 (-1) 0 (-1) 2 + 3 (-1)3+ 3
 3 0 3 1 1 

(2 - 12) - (2 - 3) (4 - 1)  - 10 1 3
A = - (2 - 0) (4 - 0) - (8 - 1) =  - 2 4 - 7  (1.191)
 (3 - 0) - (6 - 0) (2 - 1)   3 - 6 1 

Então, de acordo com a Relação (1.161) e tomando os resultados de (1.190) e de


(1.191), temos que:

 ‚  ‚m
4  r
10 1 3 j ‚
i ^l
e9 |—| e§  ‚ n 2 4 7o i ‚  ‚
  ]
‚l
3 6 1 i r l
(2.192)

h ‚  k
¨
‚ ‚

Podemos verificar como prova se A e A-1 são realmente inversas. Para isto, basta
verificar se

ee9 ƒ (1.193)

Conseqüentemente, tomando (1.187) como A e (1.192) como A-1 e substituindo em


(1.193), temos que:
  m
4  r
2 1 1 j ‚ ‚ ‚
i ^l
ee9 n1 1 4o i ‚  ‚ %
]
‚l
0 3 2 i r l
h ‚  k
¨
‚ ‚

20 2 3 2 4 6 6 7 1
j¥   ¦ ¥   ¦ ¥   ¦m
i 19 19 19 19 19 19 19 19 19 l
1 0 0
10 2 12 1 4 24 3 7 4 l
ee 9
i¥   ¦ ¥   ¦ ¥   ¦ n0 1 0o
i 19 19 19 19 19 19 19 19 19 l 0 0 1
i 6 6 12 12 21 2 l
h ¥ 0   ¦ ¥0   ¦ ¥0   ¦
19 19 19 19 19 19 k
ƒr.r

Como verificamos acima, a matriz inversa determinada em (2.191) encontra-se


correta, portanto, utilizando esta matriz e o vetor independente, dado em (1.188) e
aplicando na Eq. (1.185), temos que

j ‚  ‚  ‚m 8
4  r

i ^l
§ e9 % p*q i ‚  ‚ n15o →
]
‚l
2 i r l 9
h ‚  ‚k
¨

10 1 3 80 15 27
j   m j   m
 i 19 19 19l i 19 19 19 l
2 4 7l 8 16 60 63 l
p* q i  n15o i  
2 i 19 19 19l 9 i 19 19 19 l

i 3 6 1l i 24 90 9 l
h 19 19
 k
19 h 19  19  19k

j ‚  ‚  ‚m 8
4  r
 2
i ^l
p*q i ‚  ‚ n 15 o n 1o
]
‚l
2 i r l 9 3
(1.194)

h ‚  ‚k
¨

3.7.2 Exercícios

2 3
1) Seja e C G. Determine A-1.
1 4
6 2
2) Seja e C G. Determine A-1.
11 4

3) Considere o seguinte sistema

e determine-o, utilizando a sua inversa.

4) Resolva o sistema de equações lineares indicado abaixo usando o método de


inversão de matrizes.

3x 1 + 15. x 2 + 4.75x 3 = 8



 4 x 1 + 2 x 2 + 3x 3 = 7
2 x + 5x + 3x = − 12
 1 2 3

4. ESPAÇOS VETORIAIS

Ao final do século XIX, após o estabelecimento das bases matemáticas da teoria de


matrizes, foi observado que várias entidades matemáticas que eram tratadas de
forma diferentes e possuíam propriedades semelhantes, o que motivou os
matemáticos da época a criarem uma teoria consistente que viabilizasse um
tratamento uniforme a tais entidades. Como exemplo, vetores pertencentes ao ℜ2 e
ao ℜ3, funções polinomiais e funções diferenciáveis apresentam as mesmas
propriedades de adição e da multiplicação por escalar, observadas para o caso
matricial. Tal constatação deu origem à definição de espaço vetorial.

“Historicamente contextualizado, a idéia original associada à definição de espaço


vetorial foi publicada em 1844, por Hermann Grassmann (1808-1887), teólogo e
filósofo polonês. Na época em que publicou seu trabalho, não houve muita
repercussão, e somente 44 anos depois da publicação do trabalho de Grassmann é
que o matemático italiano Giuseppe Peano (1858-1932) publicou uma interpretação
condensada dos conceitos estabelecidos por Grassmann. No entanto, as definições
correntes de espaço vetorial, subespaço vetorial, bases e dimensão foram
estabelecidas por um matemático alemão chamado Hermann Weyl (1895-1955), que
reconheceu a magnitude e a importância do trabalho originalmente proposto por
Grassmann.”

4.1 ESPAÇOS VETORIAIS E SUBESPAÇOS

Em linhas gerais, um espaço vetorial é composto por conjuntos V e F, denominado

de espaço vetorial (V, F), em que são definidas duas operações algébricas
chamadas de adição vetorial e multiplicação escalar, tal que:

 V é um conjunto não vazio de objetos denominados de vetores;

 F é denominado de campo escalar – este campo não é restrito somente a

valores reais, mas fazendo parte de F também os números complexos;

 Adição vetorial (denotada por u+v) é uma operação caracterizada entre os


elementos de V;

 Multiplicação escalar (denotada por αv) é uma operação entre os elementos

de F e V.

4.1 DEFINIÇÃO ESPAÇOS VETORIAIS

Um espaço vetorial (ou espaço linear) sobre F (também chamado F-espaço vetorial)

consiste de um corpo F, cujos elementos chamam-se escalares e de um conjunto V

de objetos denominados vetores, tal que uma operação soma de u, v “ V é u+v ∈


V, chamada adição de vetores, e uma multiplicação de escalar por vetor que associa
a cada par ordenado de F ×V a um elemento de V, de modo que se cumprem os
seguintes axiomas:

i. Adição de vetores:

A1. u+v ∈ V, para todo u e v ∈ V. Esta propriedade é denominada de


propriedade da clausura ou propriedade de fechamento da adição;
A2. Comutatividade: a adição de vetores é comutativa, isto é, u, v “ V, tal que u 
v v  u;
A3. Associatividade: a adição é associativa, isto é, u, v, w “ V, tal que u 
)v  w+ )u  v+  w;
A4. Existência do elemento neutro à direita: a adição admite elemento neutro a
direita. Isto é, ∃ 0 ∈ V e  ∃ u ∈ V, tal que u + 0 = u;
A5. Existência do elemento simétrico a direita: para cada vetor u ∈ V, (-u) ∈ V tal
que u +(-u) = 0;

ii. Multiplicação de vetor por escalar:

M1. αv ∈ V, para todo α ∈ F e v ∈ V;

M2. Se 1 é a unidade do corpo F, então, para todo vetor u ∈ V, vale 1×u = u;

M3. Se a, b ∈ F, u ∈ V,então, (a×b)u = a(b×u);

M4. Se a ∈ F, u, v ∈ V, então, a×(u + v) = a×u + a×v;

M5. Se a, b ∈ F, u ∈ V, então, (a + b)×u = a×u + b×u.

Com relação às propriedades de adição (A1 a A5) e multiplicação (M1 a M5) acima
especificadas, temos as seguintes observações:

 Na verdade, como a adição de vetores é comutativa, todo elemento neutro à


direita é também um elemento neutro à esquerda, sendo por isso um
elemento neutro bilateral ou, simplesmente, um elemento neutro;

 Como a adição é comutativa todo elemento simétrico à direita é também um


elemento simétrico bilateral;

 Em todo espaço vetorial V existe um único elemento neutro aditivo 0;

 Dado u ∈ V, existe um único simétrico aditivo (-u) ∈ V de u;

 Chamamos de vetor nulo, o elemento neutro de um espaço vetorial. Por


exemplo, em R2 o vetor nulo é (0, 0) e em R3 o vetor nulo é (0, 0, 0), e assim
por diante.

Exemplo 1.1:
Uma vez que (A1)-(A5) e (M1)-(M5) são generalizações das propriedades
apresentadas para o caso matricial, é direto concluir-se que:

 O conjunto de matrizes ℜmxn de matrizes compostas por m linhas e n colunas


é dito ser um espaço vetorial sobre ℜ;

 O conjunto de matrizes Cmxn de matrizes compostas por m linhas e n colunas


é dito ser um espaço vetorial sobre C;

 O caso matricial é uma generalização da operação sobre vetores que


poderão ser ℜnx1 (caso de vetores com n linhas e uma coluna), ou de vetores
ℜ1xn (caso de vetores com uma linha e n colunas). No entanto, conforme foi
dito na seção introdutória, o conceito associado a espaços vetoriais é mais
amplo, estendendo-se para outros tipos de estruturas matemáticas, como se
pode observar no exemplo 5.2, abaixo.

Exemplo 1.2:

Seja ¤)+ 4       e 1)+ 4      , com 4 , 4 L 0, polinômios

satisfeitas: )¤  1+)+ ¤)+  1)+ e )6¤+)+ 6)¤)++, Portanto, satisfeitas estas


em “x”, com coeficientes reais, de grau dois. As seguintes propriedades são

propriedades, não fica difícil de provar que as propriedades (A1)-(A5) e (M1)-(M5)


são também satisfeitas, caracterizando o conjunto de polinômios em “x”, com
coeficientes reais, de grau dois como sendo um espaço vetorial.
De forma resumida, pode-se concluir que na definição de espaço vetorial existe o
cuidado na descrição do comportamento algébrico das entidades matemáticas que o
constituem. Se estas entidades possuem características comuns, regidas pelas
propriedades (A1)-A(5) e (M1)-(M5), então elas constituirão um espaço vetorial.

4.2 DEFINIÇÕES DE SUBESPAÇOS VETORIAIS

Um subconjunto não vazio S ⊆ V, que satisfizer as propriedades (A(1)-A(5)) e (M(1)-


M(5)), será denominado de subespaço S de V. Para verificar se S consiste em
subespaço de V basta verificar se (A1) e (M1) são satisfeitas, transcritas abaixo. Ou
seja:
A1. u e v “ S ³ u  v “ V;
M1. v ∈ V ³ αv ∈ V, para todo α “ F.

Dado o espaço vetorial V, o conjunto Z={0} contendo somente o vetor zero é um


subespaço de V porque (A1) e (M1) são trivialmente satisfeitas. Desta forma, este
subespaço será denominado de subespaço trivial.
De uma forma geral, podemos estabelecer como conceito geral de subespaço, a
definição, na qual um subespaço W de V é um conjunto de vetores pertencentes a V
que é, por si só, um espaço vetorial. Então W é um subconjunto não vazio do
espaço vetorial V e W é também um espaço vetorial. Nesse caso, a soma de vetores
de W está em W e o produto de escalar por vetor de W também está em W. Assim,
W satisfaz as propriedades (A1)-(A5) e (M1)-(M5) e W ∈V.
Ainda, a caracterização de subespaços deve conter os dois teoremas seguintes:

Teorema 1.1:
Seja V um K-espaço vetorial com elemento neutro 0. Um subconjunto W de V é um
subespaço de V se, e somente se, 0 ∈ W e para cada par de vetores w1, w2 ∈ W e
cada escalar k em K, valer w1 + w2 ∈ W e kw1 ∈ W. De outro modo, W é subespaço
de um K-espaço vetorial V com neutro 0 se somente se:
a. W ∈ V
b. 0 ∈ W
c.  w1, w2 ∈ W, (w1 + w2) ∈ W
d.  k ∈ K,  w ∈ W, kw ∈ W

Teorema 1.2:

Seja V um K-espaço vetorial com elemento neutro 0. Um subconjunto W de V é um


subespaço de V se, e somente se, 0 ∈ W e para cada par de vetores w1, w2 ∈ W e
cada escalar k ∈ K, o vetor kw1 + w2 ∈ W. De outro modo, W é subespaço de um K-
espaço vetorial com elemento neutro 0 se e somente se:

a. W ∈ V
b. 0 ∈ W
c. w1, w2 ∈ W, k ∈ K, (kw1 + w2) ∈ W

Exemplo 1.3:

A adição vetorial no ℜ2 e ℜ3 estabelece que a soma de dois vetores é um vetor


formado pela diagonal do paralelogramo, conforme apresentado na Figura 1.7, para
o caso em ℜ2 e na Figura 1.8, para o caso em ℜ3.

Figura 1.7: Adição de dois vetores no ℜ2.

Figura 1.8: Plano P definido no ℜ3, contendo os vetores u , v , v+u e αv.

A operação de soma de vetores com o ponto inicial localizado na origem de ℜ2


caracteriza um subespaço, pois satisfaz as propriedades (A1) e (M1), além de conter
também o subespaço trivial.
O mesmo exemplo pode ser estendido para o caso de soma de vetores, com ponto
inicial na origem do ℜ3,conforme apresentado na Figura 1.8, que ilustra a forma
geométrica da soma de vetores u e v contidos no plano P, que passa pela origem do
ℜ3. Neste caso (A1) e (M1) se verificam e o subespaço trivial também pode ser
obtido pela operação u+(-u)=0, sendo u um vetor qualquer contido em P.
Como contra exemplo, pode-se considerar linhas e/ou planos que não contém a
origem. Nestes casos, o subespaço trivial não estará incluído, o que os impedem de
serem classificados como subespaços. Desta forma, conclui-se também que
qualquer exemplo que candidata a subespaço deverá, necessariamente, conter o
subespaço trivial.

Figura 1.9: Exemplo de uma linha curva que contém a origem.

Outro contra exemplo que pode ser geometricamente representado é o de uma linha
curva que contém a origem, conforme ilustração apresentada na Figura 1.9. No caso
apresentado na Figura 1.9, observa-se claramente que A(1) não é satisfeita,
inviabilizando a possibilidade de linha curva ser considerada como um subespaço do
ℜ2. Seguindo a idéia apresentada nos exemplos discutidos e geometricamente
representados para os casos do ℜ2 e ℜ3, pode-se concluir que subespaços são
superfícies planas que passam pela origem do espaço em questão. Este conceito
pode ser estendido para espaços de dimensão superior a três.

Exemplo 1.4: Interseção de subespaços

A interseção de dois subespaços é um subespaço. Portanto, considere S = S1 ∩ S2,


tal que S tem pelo menos um vetor em comum, a origem. Este é um subespaço.
Assim, Se v ∈ S então v ∈ S1 e v ∈ S2 e se u ∈ S então u ∈ S1 e u ∈ S2. Portanto:

i) (v + u) ∈ S, pois:
v ∈ S1 e u ∈ S1. Logo (v + u) ∈ S1
v ∈ S2 e u ∈ S2. Logo (v + u) ∈ S2
Assim, (v + u) ∈ S1 e (v + u) ∈ S2. Logo, (v + u) ∈ S;

ii) a ∈ ℜ, v ∈ S ⇒ av ∈ S, pois:
v ∈ S1. Logo, av ∈ S1
v ∈ S2. Logo, av ∈ S2
Assim, av ∈ S1 e av ∈ S2. Logo, av ∈ S.

Exemplo 1.5: outros exemplos ilustrativos de subespaços.

i. Se V é um espaço vetorial arbitrário, então V é subespaço de V, ou seja, todo


espaço vetorial é subespaço dele mesmo;
ii. O conjunto unitário constituído pelo vetor nulo é um subespaço vetorial,
denominado espaço nulo de V;
iii. W = {(0, y) : y ∈ R} é um subespaço de R2 com escalares reais. Note que o
produto de um número real por um elemento de W é ainda um elemento de
W, e que a soma de elementos de W encontra-se em W;
iv. U = {(x, y) : x, y ∈ R} é um subespaço de R2 com escalares reais. Note que a
soma de vetores de U está em U, e que o produto de números reais por
vetores de U está também em U;
v. Qualquer reta que passe pela origem é um subespaço de R2 com escalares
reais. De fato, a soma de dois vetores sobre uma reta que passa pela origem
é ainda um vetor sobre essa reta, bem como continuam sobre a tal reta o
produto de números reais por vetores sobre a reta em questão;
vi. Analogamente, qualquer reta que passa pela origem é um subespaço de R3
com escalares em R;
vii. Qualquer plano de R3 que passe pela origem é um subespaço de R3 com
escalares em R. Note que quaisquer dois vetores pertencentes a um plano
que passa pela origem terão somas no plano e produto de um número real
por um vetor de tal plano ainda estará no plano. Um plano pela origem em R3
(com escalares em R) é um espaço vetorial isomorfo ao R2 com escalares em
R;
viii. O K-espaço vetorial formado pelos polinômios em K de grau menor ou igual a
um natural fixo n, mais o polinômio nulo, é subespaço do K-espaço vetorial
dos polinômios sobre K. Note que a soma de dois polinômios de grau menor
ou igual a n ou é um polinômio de grau menor ou igual a n, ou é o polinômio
nulo. O produto de um escalar (elemento de K) por um polinômio de grau
menor ou igual a n é ainda um polinômio de grau menor ou igual a n.

4.3 EXERCÍCIOS

1. Verifique se os conjuntos dados, com as operações dadas formam um espaço


vetorial sobre os números reais. Justifique a sua resposta:

a) O conjunto das matrizes M2x2 e M12x2; com a soma usual e a multiplicação

  
dada por m:

… . C G e …1 . C G
   
b) O conjunto dos polinômios de grau ≤ 3 cujos gráficos “passam por (0,0)”; com
as operações usuais.

2. Verifique se corpo C dos números complexos é um espaço vetorial complexo


sobre o corpo R dos números reais, com as operações de adição e multiplicação

 1
de C.

3. Seja W o conjunto de todas as matrizes 2x2 da forma C G. W é um


0

subespaço … . C G?
 

4.4 COMBINAÇÃO LINEAR

Considere V um F-espaço vetorial. Um vetor u é combinação linear dos vetores


v1, v2, ... , vn de V se existem escalares a1, a2, ... , an em F, tais que u ∑·¶¸ a¶ v¶ .
Isto é, se
u a v  a v 
 a· v· (1.195)
Exemplo 1.6:

3 1
Determine se o vetor n 12 o é uma combinação linear dos vetores b  n 3 o,
12 1
0 1
b n2o e b n0o.

4 2

3 1 0 1
n 12 o 6 n 3 o  6 n2o  6r n0o
12 1 4 2
( 1.196)

Ou seja:

6  6r 3
 36  26 12
6  46  26r 12
(1.197)

A pergunta é se o sistema (1.197) tem solução. Isto é:

1 0 1 61 3
n3 2 0o n 2 o n 12 o
6
1 4 2 63 12
(1.198)

Portanto, temos:

1 0 1 3 1 0 1 3
n3 2 0 12o | | n3 2 0 12 o | |  3| %
1 4 2 12 1 4 2 12
1 0 1 3 1 0 1 3 |
n0 2 3 o
3 r | |  | n0 2 3 3 o | %
r 
2
1 4 2 12 0 4 3 9
1 0 1 3 1 0 1 3
3 3 3 3 |r
Š0 1 ‹ |r |r  4| Š0 1 ‹ |r  %
2 2 2 2 3
0 4 3 9 0 0 3 3

1 0 1 3
3 3 3 1 0 1 3
Š0 1 ‹ | |  |r n0 1 0 3o %
2 2 2
0 0 1 1
0 0 1 1
1 0 0 2
| |  |r n0 1 0 3o
0 0 1 1

Obtendo-se α1 = 2, α2 = 3 e α3 = -1. Como |A| = 6, então o sistema tem uma única


solução e a resposta é sim, é uma combinação linear.

Exemplo 1.7:

1
Considere o vetor C G e verifique se este trata de uma combinação linear dos
5
3 6
vetores b  C G e b C G.
2 4

Portanto, temos:

3 6 6 1
C GC G C G
2 4 6 5
(1.199)

1 3
Como |A| = 0 e A é quadrada, o sistema não tem solução ou é indeterminado. Isto é,

o vetor C G não pode ser escrito como uma combinação linear dos vetores b  C G e
5 2
6
b C G.
4

4.4.1 EXERCÍCIOS

3 2 8
1. Considere a matriz … .r C G e verifique se ela é combinação linear
1 9 3
1 0 4 0 1 2
das matrizes e1 .r C G e e2 .r C G. Também, verifique se
1 1 5 2 3 6
1 5 1
… .r é uma combinação linear de t1 .r C G e t2 .r
3 1 2
5 8 10
C G;
7 7 1
2. Em Pn, qualquer polinômio pode ser escrito como combinação linear dos
monômios {1, x, x2, ..., xn}. Esclarecendo e particularizando: em P3, então,
verifique esta veracidade para os seguintes polinômios:
a) P1(x) = – 3 + 4x2 é uma combinação linear dos vetores: {1, x}; de {1, x, x2 } e
de {1, x, x2, x3};
b) P2(x) = 4 +-2x + 6x3 é uma combinação linear dos vetores {1, x, x2, x3};
c) P3(x) = 2 + 3x + x2 + 2x3 + 4x4 é uma combinação linear dos vetores {1, x,
x2, x3} e dos vetores {1, x, x2, x3, x4}.

3. Escreva w como combinação linear de v1, v2 e v3:

a) v1 = (1, 1); v2 = (– 1, 1); v3 = (3, 0) e w = (1, – 4);

b) v1 = (1, 2); v2 = (– 2, 3); v3 = (5, 4) e w = (– 4, 1);

c) v1 = (2, 1, –5); v2 = (– 1, 3, 0); v3 = (2, – 6, 4) e w = (9, – 6, –13).

4. Escreva as matrizes A e B, abaixo:

3 1 1 3
e . C G e t . p   q

1 5

como uma combinação linear das seguintes matrizes A1, A2 e A3:

1 1 1 1 2 3
e1 . C G; 2 . C G e e3 . C G
0 3 0 2 1 1

5. GERADOR

Gerador do espaço é um conjunto de vetores pelo qual pode-se gerar todos os


elementos do espaço. Suponha que v1, v2, ..., vn são vetores em um espaço vetorial
V. Diz-se que esses vetores geram V se V consiste de todas as combinações
lineares de v1, v2, ..., vn, isto é, se todo vetor v em V pode ser expresso na forma:

v = α1v1 + α2v2 + ... + αnvn (1.200)

onde os αi’s são escalares.

Exemplo 1.8:
1 0
Os vetores b  C G e b C G geram o ℜ2 desde que todo vetor H  I em ℜ2 seja
0 1
uma combinação linear de b  e b . Isto é,

1 0
H  I 6 C G  6 C G
0 1
onde os αi’s são escalares.

Exemplo 1.9:

Quais os vetores geradores do espaço solução do sistema   2   r 0?

Solução:
O que se observa é que 2   r  prevalece para quaisquer  e  r . Portanto,
o vetor solução poderia ser:

 2 1
n o  n b  o   r nb o
r b r b r
(1.201)

A partir do Sistema (1.201), temos:

2   r 
 b    r b  
 b r   r b r r
(1.202)

A partir de (1.202), temos:

b )1  b  + e b r )1  b r +
¹? ¹€
¹€ ¹?
(1.203, 1.204)

Temos duas equações (Eqs. (1.203) e (1.204)) e quatro escalares a serem


determinados (b  , b , b r e b r ). Os valores de  e  r são quaisquer, desde que
satisfaça a relação 2   r  . Portanto, o que se conclui é que o sistema de
(1.203) e (1.204) possui infinitas soluções em R e uma das quais pode ser obtida,
fixando b  1, obtendo a partir de (1.203) que b 0. Da mesma forma, fixando
b r 1, obtendo a partir de (1.204) que b r 0. Portanto,

b  2 b  1
b nb o n 1 o e b nb o n0o
 

b r 0 b r 1
( 1.205, 1.206)

são os geradores do espaço de soluções do sistema   2   r 0. Observe


que todo solução pode ser expressa pela combinação linear desses dois vetores.

5.1 EXERCÍCIOS

1. Seja o subespaço W de M3×2 gerado por:

0 1 0 1 0 1
n1 1o , n0 1o , n0 0oº
0 0 1 0 0 0

0 2
Portanto, pergunta-se: a matriz n3 4o pertence a W?
5 0

2. Mostrar que os polinômios »1  3 r , )1  3+ , 1  3, 1¼ geram o espaço dos


polinômios de grau 3;
3. Verifique se o conjunto A = { (1, 1, 1), (0, 1, 2), (0, 0, 1)} gera IR3.

6. DEPENDÊNCIA E INDEPENDÊNCIA LINEAR

Dizemos que o conjunto { v1, v2, ...vn } de V é linearmente independente (LI) ou que
os vetores v1, v2, ...vn sejam linearmente independentes se a única solução da
equação:

a1v1 + a2 v2 + ...+ anvn = 0 (1.207)

é a solução trivial, isto é, a1 = a2 = ...= an = 0.


Se a equação (1.207) admite uma solução não trivial, isto é, se existe um aj ≠ 0, tal
que a1v1 + a2 v2 + ...+ aj vj + ...+ anvn = 0 , então dizemos que o conjunto { v1, v2, ...,
vn} é linearmente dependente ( LD) ou que os vetores são linearmente dependentes.

Teorema 1.3: Seja V um espaço vetorial sobre R e v1, v2, ....vn ∈ V. Então:

i) { v1, v2, ....vn } é LD ⇔ um dos vetores for combinação linear dos outros;
ii) { v1, v2, ....vn } é LI ⇔ nenhum vetor pode ser escrito como combinação
linear dos outros;

Como conseqüências do teorema (1.3) anterior, têm-se os seguintes resultados:

i) Qualquer conjunto de vetores que contenha um subconjunto LD é LD;


ii) Qualquer conjunto de vetores contendo o vetor nulo é LD;
iii) Todo subconjunto de um conjunto LI é LI;
iv) Um conjunto de dois vetores é LD, se e somente se um deles é um
múltiplo escalar do outro;
v) Em R3 e em R2, dois vetores são LD ⇔ estão sobre uma reta passando
pela origem;
vi) Em R3 e em R2, três vetores são LD ⇔ estão sobre um mesmo plano
passando pela origem.

Definição: Um conjunto { v1, v2, ...vn } de vetores de V é dito uma base de V se e


somente se: (i) {v1,v2, ...vn } é LI, e; (ii) V = [ v1, v2, ...vn ]. Em conseqüência, se { v1,
v2, ...vn } é uma base para V, então, qualquer vetor de V pode ser escrito, de maneira
única, como combinação linear de { v1, v2, ...vn }.

Exemplo 1.5:

i) {(1,0), (0,1)} é uma base do R2 (base canônica);


ii) {(1,0,0), (0,1,0), (0,0,1)} é uma base do R3 (base canônica);
iii) {(1,1,1), (1,0,1), (1,1,0 )} é uma base do R3;
iv) {(1,0), (0,1), (1,1)} não é uma base do R2 . O conjunto gera o R2 , mas não é
L.I.

Teorema 1.4: Sejam v1, v2, ...vn vetores não nulos que geram um espaço vetorial V.
Então, entre v1, v2, ...vn podemos extrair uma base para V.
Teorema 1.5: Seja V um espaço vetorial sobre R e V = [v1, v2, ....vn ]. Então
qualquer subconjunto de V com mais de n vetores é necessariamente L.D.

Exemplo 1.10:

i) Três vetores no plano (R2) são sempre LD;


ii) Quatro vetores no espaço (R3) são sempre LD.

Observação: O Teorema 1.5 é equivalente a “Um espaço vetorial gerado por n


vetores tem no máximo n vetores LI” e tem como conseqüência que qualquer base
de um espaço vetorial V tem sempre o mesmo número de vetores. Este número é
chamado de dimensão de V e denotado por dim(V).

Exemplo 1.11:

1 0
Considere os vetores b  C G e b C G e verifique se eles são linearmente
0 1
dependentes e por quê?
Se b  e b são LD, então, existe um α tal que b  6b . Assim,

1 0 1 0
C G αC G % C G C G
0 1 0 6
(1.208)

Conforme se observa em (1.208), não existe α para o qual a igualdade possa ser
verdadeira. Logo b  e b são LI.

Exemplo 1.12:
1 2
Considere os vetores b  C G e b C G e verifique se eles são linearmente
2 4
dependentes?
Se b  e b são LD, então, existe um α tal que b  6b . Assim,

1 2 1 26
C G αC G % C G C G
2 4 2 46
(1.209)

De acordo com (1.209), temos 6 , conseqüentemente, b  e b são LD.




1 5 8
Exemplo 1.13:

2 0 6
Considere os vetores b  Š ‹, b Š ‹ e b Š ‹ e verifique se eles são LI e
0 1 1
2 1 5
por quê?

Solução:

Temos que verificar se existe pelos menos um dos α’s diferente de zero, tal que a
relação 6 b   6 b  6r b r 0. Assim, temos:

1 5 8 0
2 0 6 0
6 Š ‹  6 Š ‹  6r Š ‹ Š ‹
0 1 1 0
(1.210)
2 1 5 0

Ou seja:

6  56  86r 0 1 5 8 6 0
26  66r 0  2 0 6 6

0
c % Š ‹ n o Š ‹
6  6r 0 0 1 1 6 0
(1.211)
26  6  56r 0 2 1 5 0
r

A matriz expandida do sistema (1.211) pode ser conduzido à forma reduzida,


conforme segue:
1 5 8 0 1 5 2 0 1 5 2 0
2 0 6 0 2 0 6 0 0 1 1 0
Š ‹ |1 % |2  |1 Š ‹ | % |2  |4 Š ‹ | % |4  2|1
0 1 1 0 0 1 1 0 2 0 1 1 0 4
2 1 5 0 2 1 5 0 2 1 5 0

1 5 2 0 1 5 2 0 1 5 2 0
0 1 1 0 0 1 1 0 0 1 1 0
Š ‹ |2 % |2  2|2 Š ‹ |3 % |3  |2 Š ‹
0 1 1 0 0 1 1 0 0 0 0 0
0 9 9 0 0 9 9 0 0 9 9 0

1 0 3 0 1 0 3 0
0 1 1 0 0 1 1 0
| % |  5| Š ‹ | % |]  9| Š ‹
0 0 0 0 ] 0 0 0 0
(1.212)
0 9 9 0 0 0 0 0

A partir do sistema (1.212), concluímos que:

6 3 O 6 6r (1.213)

Assim, de acordo com (1.213), para α3 arbitrário e α1=3, é possível encontrar valores
para α2, tal que o sistema tenha soluções não triviais. O Sistema (1.211) é
indeterminado e tem infinitas soluções. Logo, os vetores são linearmente
dependentes (ou seja, LD).
Relembrando, os sistemas lineares cujos termos independentes são todos nulos são
denominados de sistemas homogêneos. Um sistema homogêneo sempre tem pelo
menos uma solução. A solução onde todas as variáveis são nulas é chamada de
solução trivial. Qualquer outra solução é chamada de não-trivial. A solução trivial
sempre é solução de um sistema homogêneo. Então, podemos dizer que um
conjunto de vetores é LI se a solução do sistema formado pela combinação linear
nula admite como única solução a solução trivial.

6.1 EXERCÍCIOS

1. Determine se os seguintes conjuntos de vetores são LI ou LD. Para os que forem


LD, escreva um vetor como combinação linear dos outros vetores:

a) {(1, 2), (– 1, – 3)}; em R2;

b) {(– 3, 2), (1, 10), (4, – 5)}; em R2;


c) {(2, – 1, 4), (4, – 2, 8)}; em R3;

d) {(4, 2, 1), (2, 6, – 5), (1, – 2, 3)}; em R3;

e) {(1, 1, 0), (0, 2, 3), (1, 2, 3), (3, 6, 6)} em R3 ;

f) {(1, – 2, 1, 1), (3, 0, 2, – 2), (0, 4, – 1, – 1), (5, 0, 3, – 1)}; em R4;

g) {1 – t, 1 + t, t2}; em P2;

h) {t, t2 – t, t3 – t}; em P3;

i) {2t, t3 – 3, 1 + t – 4t3, t2 + 18t – 9}; em P3;

j) {3t + 1, 3t2 + 1, 2t2 + t + 1}; em P3.

2 1 0 3 4 1
k) ½@ B,@ B,@ B¾ em M2×2;
4 0 1 5 7 5

1 1 2 3 3 1 2 2
l) ½@ B,@ B,@ B,@ B¾ em M2×2;
1 1 1 2 2 1 1 1

2. Para que valores de α’i os vetores (1, 2, 3), (2, – 1, 4) e (3, a , 4) são LD ?

3. Verifique se são LI: { [ 1 , -2 , 5 ] , [ 4 , -2 , 7 ] , [ 3 , 0 , 2 ] , [ 5 , 2 , -1 ] }. Caso


negativo, extraia deste conjunto um subconjunto LI. Em qualquer caso, apresente o

5 0
subespaço gerado.

4. De quantas maneiras é possível escrever a matriz C G, como uma


0 8
1 0 0 3  3 0
combinação linear das matrizes: ½C G, C G, C G¾. Apresente uma dela, se
0 1 0 2 1 0
possível.

7. ESPAÇO NULO DE UMA MATRIZ

Apresentamos o conceito de espaço nulo. Seja uma matriz Amxn, então, o subespaço
do ℜn consistindo de todas as soluções do sistema linear homogêneo AX=0 é
chamado o ESPAÇO NULO da matriz Am xn, denotado por EN(A).

Exemplo 1.14:
Considere a matriz A = [1 2 1], cujo espaço nulo consiste de todas as soluções da
equação   2   r 0. Determine-o.

Solução:

Observa que a solução geral de   2   r 0 pode ser expressa como 2 


 r  e prevalece para quaisquer  e  r . Portanto, o vetor solução pode ser

2 1
obtido como segue:

n o  n b  o   r nb o
r b r b r

com  e  r arbitrários.
A partir do Sistema ( ), temos:

2   r 
 b    r b  
 b r   r b r r
(1.214)

A partir de (1.214), temos:

b )1  b  + e b r )1  b r +
¹? ¹€
¹€ ¹?
(1.215, 1.216)

Temos duas equações (Eqs. (1.215) e (1.216)) e quatro escalares a serem


determinados (b  , b , b r e b r ). Os valores de  e  r são quaisquer, desde que
satisfaça a relação 2   r  . Portanto, o que se conclui é que o sistema de
(1.215) e (1.216) possui infinitas soluções em R e uma das quais pode ser obtida,
fixando b  1, obtendo a partir de (1.215) que b 0. Da mesma forma, fixando
b r 1, obtendo a partir de (1.216) que b r 0. Portanto,

b  2 b  1
b nb o n 1 o e b nb o n 0 o
 

b r 0 b r 1
(1.217, 1.218)
são os geradores do espaço de soluções do sistema   2   r 0. Observe
que todo solução pode ser expressa pela combinação linear desses dois vetores.
Portanto, o espaço nulo de A consiste de todas as somas de múltiplos dos vetores

2 1
b n 1o e b n 0 o


0 1
(1.219, 1.220)

Exemplo 1.15:

1 2 1
Dada a matriz e C G, representando um sistema homogêneo. Portanto,
1 3 2
determine EN(A).

Solução:

0
Considere o sistema

1 2 1
C G n o n0o

1 3 2
r 0
(1.221)

Com relação ao sistema (1.221), temos a seguinte matriz expandida:

1 2 1 0  → L = L − L 1 2 1 0  L = L − 2 L 1 0 - 1 0  (1.222)
1 3 2 0  2 2 1 0 1 1 0  1
 
1 2 0 1 1 0 

O sistema (1.221) possui infinitas soluções e conduz ao seguinte resultado:

  r O   r (1.223)

Portanto, para  r 1, fixado de forma arbitrária, temos como solução:

 1
n o n1o

r 1
(1.224)

Portanto, o espaço nulo é constituído de todas as soluções múltiplas da


representada em (1.224).

Exemplo 1.16:
1 2 
Dada a matriz A =   , representando um sistema homogêneo. Portanto,
3 4 
determine EN(A).

Solução:

Considere o sistema

1 2  0
C GC G C G
3 4  0
(1.225)

Com relação ao sistema (1.225), temos a seguinte matriz expandida:

1 20 1 2 0 |r 1 2 0
C G % |r |r  3| C G % |r  C G
3 40 0 2 0 2 0 1 0
1 0 0
% |r |  2| C G
0 1 0
(1.226)

Conforme se observa no sistema (1.226), este possui somente a solução trivial. Ou


seja:

 0 O  0 (1.227)

Portanto, N(A)=0, pois o sistema é LI.


Como a matriz coeficiente (1.225) é quadrada, então, podemos verificar a questão
de dependência linear, estimando o determinante de A, como segue:

1 2
e C G % det)e+ 4  6 2
3 4
(1.228)

Portanto, como o det(A) = -2 ≠ 0, então, o sistema é determinado e tem uma única


solução. Como o sistema é homogêneo, essa solução só poderá ser a trivial e o
sistema é LI. Logo, EN(A) = {0}.
8. BASE

Um conjunto de vetores b  , b ,
, b , em um espaço vetorial )¿, À+ é chamado de
uma base para V se eles são linearmente independentes e geram V. Portanto, num
espaço vetorial n-dimensional, algum conjunto de n vetores linearmente
independentes qualifica como uma base. Assim, podemos estabelecer que:

 Uma base contém toda a informação necessária sobre V, portanto, ela gera V;

 Se uma base não contém informação redundante sobre V, então, os vetores


são linearmente independentes;

 Qualquer vetor pertencente a V pode ser expresso como uma combinação


linear dos vetores da base, e essa combinação é única.

Como exemplo, podemos citar que o vetor {1, x, x2, ... , xn} é uma base para o

Em um espaço vetorial n-dimensional )¿, À+, se a base é escolhida, então, todo


espaço vetorial dos polinômios de grau n, ou seja, polinômios Pn.

vetor em V pode ser unicamente representado por um conjunto de n escalares


7 , 7 ,
, 7 em À. Assim, temos:

¿ JO  , O ,
, O KÁ (1.229)

onde Á J7 , 7 ,
, 7 K′ e o apostrofe denota a transposição do vetor. O vetor ÁÂ.Ã
pode ser considerado como um vetor no espaço )À , À+. Conseqüentemente, há
uma correspondência bijetora (isomorfismo) entre qualquer espaço vetorial n-
dimensional )¿, À+ e o mesmo espaço linear dimensional )À , À+, se uma base é
escolhida para )¿, À+.

Definição:

Em um espaço vetorial )¿, À+ n-dimensional, se uma base JO  , O ,


, O K é escolhida,

ÁÂ.Ã é chamado de representação de v, com relação à base JO  , O ,


, O K..
então, todo vetor x em V pode ser escrito unicamente na forma de (1.229). O vetor
8.1 BASES PADRÕES EM ℜn (OU BASES CANÔNICAS)

independentes pode se caracterizar como uma base no espaço vetorial )¿, À+.
Constatamos anteriormente que qualquer conjunto com n vetores linearmente

1 0
Assim, se considerarmos o espaço (R2,R), temos que os vetores C G e C G são
0 1
linearmente independentes, conseqüentemente, eles podem ser uma base para este

1
espaço. Base desse tipo é denominada de base canônica ou base padrão para o

espaço (R2,R). Da mesma forma, se considerarmos o espaço (R3,R), os vetores n0o ,


0
0 0
n1oe n0o são linearmente independente, e são uma base canônica para o espaço
0 1
(R3,R). De uma forma geral, e representando na forma matricial uma base canônica
para um espaço (Rn,R), temos que:

1 0 0
0
j0 1 0
0m
i l
i‘ 0 ’
0l
i‘ ‘ ‘ ’ ‘l
(1.229)

h0 0 0
1k

Como exemplo, considere V um espaço vetorial gerado por Jb  , b ,


, b  K e
J ,  ,
,  K são vetores independentes em V, com n ≤ m. Isto é, se V é gerado por
um conjunto de m vetores, então, nenhum conjunto com mais que m vetores em V
pode ser linearmente independente e nenhum conjunto de vetores linearmente

pois se os Jb  , b ,
, b  K geram V, eles contêm toda informação relevante sobre V,
independente, com n<m, se qualifica como uma base para V. A prova é simples,

e qualquer vetor em V pode ser expresso como uma combinação linear dos b  Äa
(única ou não). Assim, qualquer vetor a mais introduz informação redundante e o
conjunto torna-se LD.

Teorema 1.6: Quaisquer duas bases para um espaço vetorial têm o mesmo número
de vetores.

Exemplo 1.16:
vetorial )” , ”+. Qualquer ponto no plano constitui um vetor. Portanto, consideramos
Considere o plano geométrico mostrado na Figura 1.10 abaixo, o qual é um espaço

nesta figura três vetores, que denominamos de b, O  e, O e outra base »O§ , O§ ¼.

e2

e1

Figura 1.10: Espaço vetorial )” , ”+.

linearmente independentes formam uma base para o espaço vetorial )” , ”+.


De acordo com a definição de base, podemos observar que dois vetores

Observe que temos a liberdade de escolher as direções dos vetores bases, tal

vetores. Portanto, dado o espaço vetorial )” , ”+, para diferentes bases temos
que eles não permaneçam sobre a mesma linha, e também a magnitude destes

1
diferentes representações para o mesmo vetor.

Por exemplo, a representação do vetor C G na Figura 1.10, com relação á


3
1 0
base »O  , O ¼ (sendo O  C G, O C G, uma base canônica) é obtida como segue:
0 1

1 1 0 1
C G α C G  6 C G C6 G % C6 G C G % α 1 O αr 3
α α
3 0 1 3
(1.230, 1.231)
1
Assim, conforme (1.230) e (1.231), temos que do vetor C G, com relação á
3
1 0
O  C G, O C G e a seguinte:
0 1

6 1
α C6 G C G
3
(1.232)

1 3
E a representação do vetor C G com relação à base »O§  , O§ ¼ (sendo O§  C G,
3 1
2
O§ C G) é a seguinte:
2

1 3 2 3α  26 3α  26 1
C G α C G  6 C G H  I % H  I C G %
3 1 2 α  26 α  26 3
(1.233)

3α  26 1 3α  26 1 
H I C G % % α  6 O 6  α (1.234, 1.235)
 r 
α  26 3 α  26 3 r r

Substituindo (1.234) em (1.235), temos que:

1 2 1 2 3 1 1 1
α  6 % α  ¥  α ¦ % α  1  α %
3 3 3 3 2 2 3 3

α  r % α 1

r
(1.236)

Substituindo (1.236) em (1.235), obtemos:

6  α % 6  % 6 2
r  r 
(1.237)

1
De acordo com (1.236) e (1.237), vemos que a representação do vetor C G
3
3 2
com relação à base »O§  , O§ ¼ (sendo O§  C G, O§ C G) é a seguinte:
1 2

6 1
α C6 G C G
2
(1.239)
1 3
A representação do vetor e1 C G com relação à base »O§  , O§ ¼ (sendo O§  C G,
0 1
2
O§ C G) é a seguinte:
2

1 3 2 3α  26 3α  26 1
C G α C G  6 C G H  I % H  I C G %
0 1 2 α  26 α  26 0
(1.240)

3α  26 1 3α  26 1 
H I C G % % α  6 O 6  α (1.241, 1.242)
 
α  26 0 α  26 0 r r

Substituindo (1.242) em (1.241), temos que:

1 2 1 2 1 1 1
α  6 % α  ¥ α ¦ % α  α %
3 3 3 3 2 3 3

α r % α
 
r
(1.243)

Substituindo (1.243) em (1.242), obtemos:

6  α % 6  . @ B % 6  ]
   
(1.244)

1
De acordo com (1.243) e (1.244), vemos que a representação do vetor b  C G
0
com relação à base »O§  , O§ ¼ é a seguinte:


6
α C6 G v w

(1.245)
]

0
A representação do vetor e2 C G com relação à base »O§  , O§ ¼ é a seguinte:
1

0 3 2 3α  26 3α  26 0
C G α C G  6 C G H  I % H  I C G %
1 1 2 α   26 α   26 1

3α  26 0 3α  26 0 
H I C G % % α 1  26 O 6  α
r
α  26 1 α  26 1
(1.246, 1.247)

Substituindo (1.247) em (1.246), temos que:

3
α 1  26 % α 1  2 ¥ α ¦ % α 1  3α %
2

2α 1 % α 


(1.248)

Substituindo (1.248) em (1.247), obtemos:

6  α % 6  . @ B % 6 ]
r r  r
(1.249)

0
De acordo com (1.248) e (1.249), vemos que a representação do vetor b  C G
1
com relação à base »O§  , O§ ¼ é a seguinte:



6
α C6 G v r w

(1.250)
]

Sumarizamos na Tabela 1.1 abaixo, as representações dos vetores b, O§  , O§ , O  e O .

Tabela 1.1: Representações dos vetores b, O§  , O§ , O  e O .

O§  O§ O O
Vetor

1 3 2 1 0
Base

»O  , O ¼ C G C G C G C G C G
3 1 2 0 1
1 1

1 1 0
»O§  , O§ ¼ C G C G C G Š 2‹ Š 2‹
2 0 1 1 3

4 4
8.2 EXERCÍCIOS

1. Considere V = { [ x , y , z ] ∈ ℜ³, 2x – y + 3z = 0 } e W = { [ x , y , z ] ∈ ℜ³,


y = 5x }. Determine uma base para V + W e uma para V W.

2. Considere M2×2 como um espaço vetorial gerado pelo conjunto:

1 0 0 0 0 0 0 1
t ½C G,C G,C G,C G¾
0 0 1 0 0 1 0 0
1 0 0 0 0 1 1 1
x ½C G,C G,C G,C G¾ é também uma base
1 0 1 1 0 1 0 0
Portanto mostre que

para M2×2 ;

3. Considere o conjunto de vetores b »)1, 2, 1+, )– 1, 0, 1+, )1, 2, 0+¼ e o vetor


v J2 3 1K. Verifique se o conjunto de vetores b constitui uma base para v;

4. Quais dos conjuntos de vetores abaixo são base para R2?

a) »J1 3K, Œ– 1 1¼; b) »J0 0K, J1 1K J1 3K¼; c) »J1 2K, J2  3K J3 2K¼; d) »J1 3K, Œ– 2 6¼;

5. Quais dos seguintes conjuntos de vetores são base para P2?

a) »Œ– t  3  2 J23  23  3K Œ43 – 1¼; b) »Œ3  23 – 1 Œ23  33 – 2¼;

c) »J t  1K J3t  23  1K J63  6t  3K¼; d) »J3t  23  1K J3  3  1K J3  1K¼;

3 1 3 2 5 1 0 1  0 0 2 0 0 0 0
6. Quais dos seguintes conjuntos de vetores são base para M22?

a) ½C GC GC GC G¾; b) ) ½C GC GC GC G¾
0 0 0 0 0 6 0 7 0 0 0 0  0 0 

7. Encontre todos os valores de “a“ para os quais »J a 0 1K J0  a 2K J1 0 1K¼ é uma


base para R3;

9. DIMENSÃO

Diz-se que um espaço vetorial V tem dimensão n (ou que V é n-dimensional) se V


tem uma base consistindo de n vetores. A dimensão de V é denotada por dim(V).
Teorema 1.7: Suponha que V é um espaço vetorial de dimensão n. Então, nenhum
conjunto com mais de n vetores em V pode ser linearmente independente e V não
pode ser gerado por um conjunto de vetores com menos de n vetores.

Teorema 1.8: Suponha que V é um espaço vetorial de dimensão n e Jb  , b ,


, b K é
um conjunto de n vetores em V. Então:

i) Se os vetores são LI, então, eles formam uma base para V;


ii) os vetores geram V, então, formam uma base para V.

Ou seja, n vetores LI em V n-dimensional, automaticamente, geram o espaço e n

espaço vetorial )¿, À+ é o número máximo de vetores linearmente independente em


vetores que geram um espaço n-dimensional são LI. Em resumo, a dimensão de um

V, e também, o número mínimo de vetores necessários para gerar V.

10. MUDANÇA DE BASE

Mostramos anteriormente que um vetor X em )¿, À+ tem diferentes representações,


com relação a diferentes bases. Portanto, é natural perguntar qual é a relação entre
estas diferentes representações de um mesmo vetor?
Considere as representações de um vetor X ∈ )¿, À+, com relação às bases
Æ , respectivamente. Isto é:
»O  , O ,
, O ¼ e »O§  , O§ ,
, O§ ¼, como sendo Á e Á

Æ
Ç JO  O
O KÁ JO§  O§
O§ KÁ (1.251)

Æ , necessitamos de informações sobre as


Para obter as relações entre Á e Á
representações de O§  , para i=1, 2, ..., n, com relação à base »O  , O ,
, O ¼ ou
informações sobre as representações de O  , para i=1, 2, ..., n, com relação à base
»O§  , O§ ,
, O§ ¼.
Primeiro, escolhemos representar O  , para i=1, 2, ..., n, com relação à base
»O§  , O§ ,
, O§ ¼.
`
` 
O  JO§  O§
O§ K Š ‘ ‹ È 5`
` 
(1.252)

`
`
onde 5 È JO§  O§
O§ K e ` È Š ‘ ‹.


` 

` `
`
Usando a notação matricial, temos:

`  `
`
JO  O
O K J5` 5`
5` K JO§  O§
O§ K Š ‘ ‘
‘ ‹È
`  `
`
JO§  O§
O§ K (1.253)

Substituindo (1.253) em (1.251), temos:

Æ
Ç JO  O
O KÁ JO§  O§
O§ KÁ JO§  O§
O§ KÁ (1.254)

Desde que a representação de X com relação à base »O§  , O§ ,


, O§ ¼ é única,
conseqüentemente, a partir de (1.254), temos:

Æ Á
Á (1255)

É ÊËéÍÎÏÐ ÑÒÓÔËÐ: _O`_OaOU3çã0 O


onde

 H I,
O  , 0 _O/çã0 à aO JO§  , O§ ,
, O§ K
(1.256)

Æ ,ou seja,
A partir da Eq. (1.255), podemos também estabelecer a relação entre Á e Á
a representação de O§  , para i=1, 2, ..., n, com relação à base »O  , O ,
, O ¼, como
segue:

Æ `9 Á % Ù9Ã Á
Ù9à Á Æ ƒÁ % Á Ù9à Á
Æ % Á ÚÁ
Æ (1.257)

onde Ú Ù9Ã e PQ=I, onde I é a matriz identidade.


O que observa é que diferentes representações de um vetor encontram-se
relacionadas, conforme as Eqs. (1.255) e (1.257). Portanto, dado dois conjunto de
bases, se a representação para um conjunto de uma base é conhecido, a
representação do mesmo vetor com relação a outro conjunto de base pode ser
calculado.

10.1 EXERCÍCIOS

1 1 0 1 1 0 1
Sejam Û n0o n 0 o n1oº e Ü n 1 o n 2 o n1oº bases em R3.Sejam v n3o e
1 0 2 0 1 0 8
1
w n 8o
2

Portanto, encontre as representações de v e w em relação à base T e em relação


à s.

11. REPRESENTAÇÕES MATRICIAIS DE OPERADORES LINEARES

(transformações) lineares. Vimos anteriormente que os espaços )Ç, À+ e )Ý, À+ sobre


Agora, queremos estabelecer as representações matriciais de operadores

operador linear que transforma espaços vetoriais de dimensão finita )Ç, À+ em


o qual um operador linear é definido podem ser de dimensão infinita ou finita. Todo

espaços, também, de dimensões finitas, )Ý, À+, têm representações matriciais, com
coeficientes no campo À. Mas, se )Ç, À+ e )Ý, À+ são de dimensões infinitas, ainda
uma representação de um operador linear pode ser encontrado, contudo, esta
representação não será na forma matricial. Assim, o seguinte teorema pode ser
apresentado.

A função L que transforma se )Ç, À+ em )Ý, À+ é dito ser um operador linear se e


Definição:

somente se

|)6   6  + 6 |  6 | (1.258)


Para alguns vetores  O  , em X e alguns escalares 6 e 6 em À. A razão para o
requerimento de Y ser definido sobre o mesmo campo X é para assegurar que 6 |
e 6 | sejam definidos.

Teorema 1.9:

Sejam )Ç, À+ e )Ý, À+ espaços vetoriais, respectivamente, de n e m dimensões,


sobre o mesmo campo, À. Seja  ,  , … ,  ser um conjunto de vetores de X,
linearmente independentes. Então, o operador L: )Ç, À+ → )Ý, À+ é unicamente
determinado por n pares de transformações Ý  |  , para i=1, 2,..., n.
Adicionalmente, com relação à base » ,  , … ,  ¼ de X e a base base » ,  , … ,  ¼
de Y, o operador L pode ser representado por uma matriz Am×n , logicamente, com m
linhas e n colunas e com coeficientes no campo À. A enésima coluna de A é a
representação de Ý  , com relação à base » ,  , … ,  ¼.

representado por Ç » ,  , … ,  ¼. Portanto, este conjunto de vetores qualifica


Para melhor entender, considere um vetor arbitrário de X, linearmente independente,

como uma base no espaço vetorial X. Assim, o vetor x pode ser representado como
6   6  
 6  . Devido à linearidade do operador L, temos:

|Ç 6 |  6 | 
 6 | |Ç6Þ (1.259)

6
6
onde Ç » ,  , … ,  ¼ e 6Þ c ‘ ß.
6
Mas, como *  |  , então, a Eq. (1.259) torna:

|Ç 6 *   6 * 
 6 * Ý6Þ (1.260)

onde Ý »*  , * , … , * ¼.
A transformação caracterizada por (1.259) e (1.260) implica que para x∈ X, | é
determinado por *  |  , para i=1, 2,..., n.
Agora, considere que a representação de *  com relação à base » ,  , … ,  ¼ ser

 
6 c ‘ ß. Assim,



*  » ,  , … ,  ¼ c ‘ ß, com i=1, 2, ..., n.




Onde  Äa são elementos de À, com j=1, 2, ..., m e i=1, 2, ..., n. Portanto, podemos
escrever a Eq. ( ) como segue:

*  |Ç |J ,  , … ,  K J*  , * , … , * K
 

  

J ,  , … ,  K Š ‘ ‘
‘ ‹ J ,  , … ,  Ke
 

 

(1.261)

Nota na Eq. (1.261) que os elementos de A são elementos de À e a enésima coluna


de A é a representação de *  com relação à base de Y.
Com relação à base Ç » ,  , … ,  ¼ de )Ç, À+ e a base » ,  , … ,  ¼ de )Ý, À+, o
operador Ý |Ç pode ser escrito como:

Y=J ,  , … ,  KÁ |Ç |J6 |  6 | 


 6 | K |J ,  , … ,  Kà (1.262)

onde Á J7 , 7 , … , 7 Ká e à J6 , 6 , … , 6 Ká (o símbolo ‘ representa as


transpostas dos vetores α e β) são, respectivamente, as representações dos vetores
Y e X. Após as bases serem escolhidas, não há nenhuma diferença ao especificar X
ou Y e α e β. Portanto, a análise de Y=LX pode ser feita, por meio da relação entre β
e α.
Portanto, de acordo com as Eqs. (1.261) e (1.262), temos que:

J ,  , … ,  KÁ |J ,  , … ,  Kà J ,  , … ,  Kâà (1.263)

Assim, de acordo com a Eq. (1.263), temos que:


Á âà (1.264)

Portanto, concluímos que se as bases de )Ç, À+ e )Ý, À+ são escolhidas, o operador


pode ser representado por uma matriz com coeficientes em À.
Vimos na Eq. (1.254) que a matriz A estabelece a relação entre as representações α
e β e não entre os vetores X e Y. Podemos observar também que A depende da
base escolhida e, para diferentes bases, temos diferentes representações para o
mesmo operador.
Nós estudamos uma importante subclasse de operadores lineares que transforma
espaço linear )Ç, À+ nele próprio (isto é, L: )Ç, À+ → )Ç, À+). Neste caso, a mesma

por exemplo, »O  , O , … , O ¼ é escolhida, então a representação matricial A do


base é sempre usada para estes dois espaços lineares. Assim, se uma base de X,

Æ , para o operador L pode


operador L pode ser obtida, usando o Teorema 2. E, se diferente base, como
»O§  , O§ , … , O§ ¼ , for escolhida, uma representação diferente â
Æ.
ser obtida. Entretanto, podemos obter a relação entre A e â
Portanto, para evidenciar estas relações, considere x como um vetor arbitrário em X
Æ como as representações de X, respectivamente, com relações às bases
e α e α
»O  , O , … , O ¼ e »O§  , O§ , … , O§ ¼. Como o vetor Y=LX encontra-se no mesmo espaço X,
Æ,
a suas representações com relação ás bases escolhidas, denominadas de β e Á
Æ podem ser determinadas,
podem ser obtidas. As matrizes representações A e â
usando o Teorema 2. O diagrama esquemático que estabelece diferentes
representações é caracterizado na Figura 1.11 abaixo.


ƒUO`OUOU3O  taO: Ç ãäääääå Ý ) |Ç+
æâçèç
â
JO  , O ,
, O K à ãäääääå Á ) âà+

P Q P Q=P-1
Æ ) â
Æ
Æà
â
JO§ , O§ ,
, O§ K
 Æ ãäääääå Á
à Æ+

Figura 1.11: Relações entre diferentes representações para um mesmo operador.

As matrizes A, P e Q especificadas na Figura 1.11 caracterizam o seguinte:

É ÊËéÍÎÏÐ ÑÒÓÔËÐ: _O`_OaOU3çã0 O


e H I,
|O  , 0 _O/çã0 à aO JO  , O ,
, O K
(1.265)

É ÊËéÍÎÏÐ ÑÒÓÔËÐ: _O`_OaOU3çã0 O


 H I,
O  , 0 _O/çã0 à aO JO§  , O§ ,
, O§ K
(1.266)

É ÊËéÍÎÏÐ ÑÒÓÔËÐ: _O`_OaOU3çã0 O


e§ H I,
|O§  , 0 _O/çã0 à aO JO§  , O§ ,
, O§ K
(1.267)

É ÊËéÍÎÏÐ ÑÒÓÔËÐ: _O`_OaOU3çã0 O


e

 H I.
O§  , 0 _O/çã0 à aO JO  , O ,
, O K
(1.268)

A relação entre α e β é dada pela Eq. (1.264), contudo, as relações entre as demais
representações são as seguintes:

Æ â
Á ÆàÆ (1.269)

Æ ÙÁ Ùâà ÙâÙ9Ã à
Á (1.270)

A partir das relações (1.269) e (1.270), concluímos que:

Æ ÙâÙ9Ã Ú9Ã âÚ ÙâÚ


â (1.271)

Æ Ù Úâ
Æ Ú9Ã
e
â Ù9Ã â (1.272)
onde  é  9.
Æ são similares se existe uma matriz P não singular que satisfaz
As matrizes A e â
(1.271) e (1.272). As transformações (1.271) e (1.272) são chamadas de
transformações similares. De uma forma geral, todas as representações matriciais
com relação a bases diferentes de um mesmo operador são similares.

Exemplo 1.16:
Considere o operador linear L: )” , ”+ → )” , ”+ que caracteriza uma
transformação de rotação (contrario aos ponteiros dos relógios) de 900 com relação

» ,  ¼ e » r ,  ] ¼ mostradas na Figura 1.12 abaixo, e estime as representações


à origem, em um ponto de um plano geométrico. Portanto, escolhendo como base

dos demais vetores, mostrados na figura.

X2, Y1

X4, Y3 1,5

X3

-1,5

Y2 -2 -1 1 1,5 x1

-0,5

Y4
-1

Figura 1.12: Transformação que gira um vetor em 900, no sentido contrário dos
ponteiros dos relógios.

Para resolver o problema, considere uma base » ,  ¼ que caracteriza os eixos

o problema, considerando outra base, denominada de » r ,  ] ¼, com um giro na


ortogonais de um sistema cartesiano, conforme Figura 1.12. Também, analisaremos

1 0
direção contrária aos ponteiros dos relógios.

Considerando que os vetores que compõem as bases são:  C G,  C G e


0 1
1,5
 r C G , assim, temos:
1
6 *  1 0 6 *  6 0
*  J ,  K C6 G % H  I C G C6 G H  I C6 G C G
* 0 1 * 1
(1.273)

e
7 *  1 0 7 *  7 1
* J ,  K H

I % H I C G H I H I H  I C G
7 * 0 1 7 * 7 0
(1.274)

Portanto, a representação de L com relação à base » ,  ¼ é

0 1
â C G
1 0
(1.275)

A representação de  r com relação à base » ,  ¼ pode ser obtidas na Figura 1.5,
acima, a qual é a seguinte:

6 1 0 6 6 1,5
 r J ,  K C6 G % C G C G C6 G C G C6 G C G
r r

 0 1  0.5
(1.276)

Da mesma forma, a representação de  ] com relação à base » ,  ¼ pode ser


obtida como segue:

7 1 0 7 7 0,5
I % C ] G C G H I C ] G H  I C
] ]
 ] J ,  K H G
7  0 1 7  7 1.5
(1.277)

Portanto, de acordo com as Eqs. (1.276) e (1.277) temos que:

1,5  0,5
 H I
0,5 1,5
(1.278)

Considerando que P-1=Q e P=Q-1, então temos:

1,5 1,5 9
  9 H I
0,5 0,5
0,599999999999999976 0,199999999999999982
H I
0,199999999999999982 0,599999999999999976
(1.279)

Agora, podemos obter as representações de *  e * com relação à base » r ,  ] ¼,


que podem ser obtidas, aplicando as Eqs. (1.275), (1.278) e (1.279):
Æ ÙâÙ9Ã Ú9Ã âÚ ÙâÚ %
â

Æ ÙâÚ H 0,599999999999999976
â
0,199999999999999982
I.
0,199999999999999982 0,599999999999999976
0 1 1,5 1,5 Æ C0 1G
C G.H I%â
1 0 0,5 0,5 1 0
(1.280)

Æ , ou seja, são similares, como esperado, pois ambas


Observamos que â â
caracterizam uma rotação de 900. Assim, com relação à base » r ,  ] ¼, temos que:

1,5  0,5 0 1
J* r * ] K J r ,  ] Ke J ,  Ke J ,  K H IC G
0,5 1,5 1 0
0,5 1,5
J ,  K H I
1,5 0,5
(1.281)

11.1 EXERCÍCIOS

1 1 0 1 1 0 1
Sejam Û n0o n 0 o n1oº e Ü n 1 o n 2 o n1oº bases em R .Sejam v n3o e
1 0 2 0 1 0 8
3

1
w n 8o
2

Portanto, encontre as representações matriciais de v e w em relação às


transformações das representações de v e w, da base T para a base s.

12. INTERVALOS E RANK (POSTO) DE UM SISTEMA DE EQUAÇÕES


ALGÉBRICAS LINEARES

Como já estudamos, um sistema de equações lineares pode ser escrito na forma


matricial Ax=y, como segue:

 
  *
  
  *
eȊ ‘ ‘
‘ ‹,  È Š ‘ ‹ e , * È Š ‘ ‹
 
  *
(1.282, 1.283, 1.284)
Claramente, A é uma matriz m×n, x um vetor n×1 e y um vetor m×1. Nenhuma
restrição é feita ao inteiro m. Ele pode ser maior, igual ou menor que o inteiro n.
Duas questões podem ser levantadas para o conjunto de Eqs. (1.282): (i) sobre a
existência de uma solução e; (ii) sobre o número de soluções. Especificamente,
supõe-se que a matriz A e o vetor y nas Eqs. (1.282) e (1.284) são dados. O
interesse na análise do sistema Ax=y é constatar, se, no mínimo, uma solução para
x existe, dados a matriz A e o vetor independente y. Portanto, se existem soluções,
então, voltaremos à segunda questão relativa ao número de soluções e,
conseqüentemente, ao número de vetores x linearmente independentes, tal que
Ax=y. Assim, para responder esta última questão, os conceitos de Posto e Nulidade
deve ser introduzidos.

transformação), tal que e: )À , À+ % )À , À+. Relembrando, o espaço linear que


Como já enfatizado anteriormente, a matriz A é um operador linear (uma

sofre transformação, )À , À+, é chamado de domínio de A.

Definição:

O intervalo de um operador linear A é o conjunto ℜ)e+, definido como:

ℜ)e+ »300a O/OOU30a O * O )À , À+, `_ 0 ê/ OaRa3O, U0 íUR0,  bO30_ 


O )À , À+, 3/ êO * e¼

Portanto, ℜ)e+ é o conjunto de todas as combinações lineares das colunas de A. A

Finalmente, o intervalo de um operador linear A é um sub-espaço de )À , À+.


sua dimensão é o número máximo de colunas de A linearmente independentes.

12.1 POSTO (RANK) DE UMA MATRIZ

Na teoria de matrizes, o Posto de uma matriz é definido como a mais alta ordem de
todos os menores não nulos de A. Em outras palavras, a matriz tem o Posto k, se e
somente se existe um menor de ordem k em A, não nulo, e todos os menores de
ordem maior que k desaparecem. As matrizes quadradas têm um Posto pleno (k=n,
onde n é a ordem da matriz) se e somente se o determinante da matriz for diferente
de zero. Ou, de forma correspondente, a matriz é não singular se e somente se
todas as colunas da matriz são linearmente independentes.
Também, pode ser enfatizado que o máximo número de colunas linearmente
independentes é igual ao máximo número de linhas linearmente independentes.
Portanto, o Posto de uma matriz pode ser verificado, seja por meio de vetores linhas
ou seja através de vetores colunas. Assim, temos o posto P(A), de uma matriz A de
ordem m×n, pode ser determinado como segue:

)e+ — OU0_)U, + (1.285)

Portanto, vimos que a métrica que permite estabelecer se um sistema linear é


independente é o Posto. Como vimos anteriormente que toda matriz Am×n é linha
equivalente a uma única matriz-linha reduzida à forma escada. Esta premissa é uma
outra forma de estimar o posto de uma matriz (ou posto de um sistema de equações
lineares) e pode ser caracterizado pela seguinte definição:

 Dada uma matriz Am×n e seja Bm×n a matriz-linha reduzida à forma escada linha
equivalente a A. O posto de A, denotado por “P(A)” é o número de linhas não
nulas de Bm×n. A nulidade de A, N(A), é o número N(A)=(n-P(A)).

Portanto, o posto de uma matriz pode ser caracterizado pelo número de linhas
linearmente independentes em uma matriz A·.· Œa¶í . Em um sistema do tipo
gf, a matriz de coeficientes Am×n deve ter posto n, para ter uma única solução, e
Axgf b
da mesma forma, a matriz aumentada e| . deve também ter posto n. Assim,
podemos afirmar que:

i) Um sistema de m equações e n incógnitas admite solução se, e somente se o


posto da matriz ampliada, —, , é igual ao posto da matriz dos coeficientes, — ;
ii) Se as duas matrizes (de coeficientes e ampliada) têm o mesmo posto  —,
— e P sendo igual n, a solução será única;
iii) Se as duas matrizes (Am×n e e| . ) têm o mesmo posto  —, — e P < n,
podemos escolher (n-P) incógnitas, e as outras P incógnitas serão dadas em
função destas. O grau de liberdade do sistema é dito ser (n–P), ou seja, pela
nulidade do sistema. Neste caso, o sistema tem infinitas soluções;
iv) Finalmente, se PA< PAb= n, então, o sistema será impossível.
Exemplo 1.17:

Considere o seguinte sistema linear homogêneo :

  r  2]  1u 0
   2  3r  24  u 0 
2  2r  2u 0

O qual pode ser escrito na seguinte forma matricial, ef gf, onde


0 1 1 2 1 j  m 0
i l
e n1 2 3 4  1o, i r l e n0o
2 0 2 0 2 i] l 0
(1.286, 1.287 e 1.288)

hu k

A matriz A caracteriza uma transformação e: )” , ”+ % )” , ”+. Determine o posto e


a nulidade da matriz (1.286).

Solução:

Calcularemos o posto de A, P(A), determinando os menores de |e| (o determinante


de A), verificando qual o menor, cujos postos dos menores de ordem superiores são
todos nulos.
Temos na matriz (1.286) n=3 menores. Assim:

 
r 0 1 1
  0 1
|e | e 0; |e | •  • •1 • 2; |er | ‡  
 r ‡ ‡1 2 3‡
2  r
rr 2 0 2

r

)0 . 2 . 2+  )1 . 3 . 2+  )1 . 1 . 0+  )2 . 2 . 1+  )0 . 3 . 0+
 )2 . 1 . 1+ 0  6  0  4  0  2 0

Portanto, concluímos que o posto da matriz A, PA=2 e a nulidade é N(A)=n-PA=3-


2=1.
Portanto, como se tem dois vetores linearmente independentes, devemos descobrir
entre os vetores colunas da matriz (1.286), quais são estes. Assim, procedemos à

0 1 1 2 1 0
seguinte verificação:

g
f
ef % ef  n1o   n2o  r n3o  ] n4o  u n1o n0o
2 0 2 0 2 0
(1.289)
2 1
Observamos de imediato que os vetor n4o é múltiplo de n2o e podendo ser escrito
0 0
2 1 1 0 1 1
como n4o 2 n2o. Da mesma forma observamos que n3o n1o  n2o e que n1o
0 0 2 2 0 2
0 1
n1o  n2o . Substituindo estes resultados na Eq. (1.289), temos:
2 0

0 1 0 1 1 0 1 0
ef gf % ef  n1o   n2o  r )n1o  n2o+  2] n2o  u )n 1 o  n2o+ n0o %
2 0 2 0 0 2 0 0

0 1 0 1 1 0 1 0
f
g
ef % ef  n1o   n2o  r n1o  r n2o  2] n2o  u n 1 o  u n2o n0o %
2 0 2 0 0 2 0 0

0 1 0
ef gf % ef )  r  u + n1o  )  r  2]  u + n2o n0o
2 0 0
(1.290)

0 1
Considerando que os vetores n1o e n2o são LI, então, para que a Eq. (1.289)
2 0
0
prevaleça (ef n0o), temos que:
0

  r  u 0 
  r  2]  u 0
(1.291)

Nota-se que o número de equações em (1.291) é igual ao posto de A, P(A). Há cinco


componentes em x, mas existem somente duas equações governando elas.
Portanto, três das cinco componentes podem ser arbitrariamente escolhidas.
Seja r 1, ] 0, u 0 e aplicando este valores no sistema (1.291), temos:
 1 e  1. Agora, seja r 0, ] 1, u 0 e aplicando estes valores no
sistema (1.291), temos:  0 e  2. Ainda, se r 0, ] 0, u 1 e
aplicando este valores no sistema (1.291), temos:  1 e  1. Estes resultados
conduzem aos seguintes vetores soluções:
J1  1 1 0 0KÄ , J0  2 0 1 0KÄ , e J1 1 0 0 1KÄ , (1.292, 1.293, 1.294)

Onde o apostrofe nas Eq. (1.292) a (1.294) indica o transposto deste vetor.
Obviamente, os vetores soluções (1.292), (1.293) e (1.294) são LI e que toda
solução de Ax=0 deve ser uma combinação deste três vetores. Portanto, o conjunto
de vetores (1.292), (1.293) e (1.294) forma uma base para (1.286), pois a nulidade
deste sistema é N(A)=n-P(A)=5-2=4.
Vimos no Exemplo 1.17 que o número de equações que o sistema Ax=0 deve
obedecer é igual a P(A) e que há n componentes em todos vetores do sistema.
Portanto, N(A)=n-P(A) componentes de dos vetores desse sistema pode ser
escolhidas arbitrariamente. Conseqüentemente, existe N(A)=n-P(A) vetores
linearmente no sistema.
Algumas observações podem ser feitas sobre sistemas lineares homogêneos, as
quais são as seguintes:

i. Todo sistema linear homogêneo é consistente, pois tem x1 = 0; x2 = 0; x3 = 0


..., ou seja, a n-upla (0,0,0,...,0) como solução: Esta solução é chamada de
solução trivial ou solução nula. Se há outras soluções estas são chamadas de
não-triviais;
ii. Como um sistema linear homogêneo tem sempre a solução trivial, só existem
duas possibilidades para suas soluções: (i) o sistema tem somente a solução
trivial, ou; (ii) o sistema tem infinitas soluções além da trivial.
iii. Um sistema homogêneo de equações lineares com mais incógnitas que
equações têm infinitas soluções.

Exemplo 1.18:

Considere o sistema, no qual m=3 e n=3.

 2x + y + z = 8

 x + y + 4 z = 15 (1.295)
0 + 3 y + 2 z = 9

r
Podemos identificá-lo na forma matricial Ax = b , como segue:
2 1 1  x 8
A = 1 1 4 x =  y  b = 15 (1.296, 1.297 e 1.298)
0 3 2  z   9 

Chamando a matriz ampliada A / b de M temos:

2 1 1 8 
M = 1 1 4 15 (1.299)
0 3 2 9 

Portanto, transformar-se-á a matriz M em uma matriz-linha reduzida à forma escada,


como segue:

2 1 1 8  2 1 1 8
L2 → L2 − (1 / 2 )L1  L3 → L3 − 6 L2
M = 1 1 4 15     → 0 1 / 2 7 / 2 11 
    →
0 3 2 9  0 3 2 9 

2 1 1 8 
L1 → (1 / 2) L1 ; L 2 → 2 L2 ; L3 → −(1 / 19 )L3
M = 0 1 / 2 7 / 2 11  
            →
0 0 − 19 − 57

1 1 / 2 1 / 2 4 
L2 → L2 − 7 L3 ; L1 → −(1 / 2 )L3
= 0 1 7 22   →
0 0 1 3 

1 1 / 2 0 5 / 2 1 0 0 2 
L1 → L1 − (1 / 2 )L2
= 0 1 0 1      → M = 0 1 0 1 
  (1.300)
0 0 1 3  0 0 1 3

Portanto, temos que a matriz coeficiente er.r na forma matriz-linha reduzida à forma
escada é:

1 0 0
er.r n0 1 0o, cujo posto pA=3
0 0 1
(1.301)

e a matriz ampliada na forma matriz-linha reduzida à escada é a seguinte:


1 0 0 2
e| r.r n0 1 0 1o, cujo posto pAb=3
0 0 1 2
(1.302)

Conseqüentemente, como pA=pAb=3=n, então o sistema (1.302) apresenta uma


solução única.

Exemplo 1.19:

Considere que o sistema

 x − y + 2z − t = 0

 2x + y + 4z = 0 (1.303)
 x − y + 2 z − 4t = 0

r
No sistema (2.189) m=3 e n=4. Podemos identificá-lo na forma matricial Ax = b ,
como segue:

1 - 1 2 - 1  x 0 
A3×4 =  2 1 4 0  x =  y  b = 0 (1.304, 1.305 e 1.306)
1 - 1 2 - 4   z  0

e a matriz ampliada é a seguinte:

1 − 1 2 − 1 0 
A | b = 2 1 4 0 0 (1.307)
1 − 1 2 − 4 0

A matriz ampliada (1.307) pode ser obtida na forma matriz-linha reduzida à escada,
como segue:

1 − 1 2 − 1 0 L2 = L}
2 − 2 L1 1 − 1 2 − 1 0 L3 =}
L3 − L1 1 − 1 2 −1 0
 2 1 4 0 0 → 0 3 0 2 0  → 0 3 0 2 0
    
1 − 1 2 − 4 0 1 − 1 2 − 4 0 0 0 0 - 3 0

4
L3 = L3 − L3
} 3 1 − 1 2 − 1 0 L2 = L}
2 − 2 L3 1 − 1 2 − 1 0 L1 = }
L1 + L3
→ 0  →  
 3 0 2 0 0 3 0 0 0  →
0 0 0 1 0 0 0 0 1 0
1
L1 = L1 + L3 1
} −1 2 0 0 L3 =}3 L3 1 − 1 2 0 0 L1 = L}
1 + L2 1 0 2 0 0
→ 0 3 0 0 0 → 0 1 0 0 0 → 0 1 0
 0 0

0 0 0 1 0 0 0 0 1 0 0 0 0 1 0

(1.308)

Como observamos na matriz-linha reduzida (1.308), temos que a matriz ampliada


é a seguinte

1 0 2 0 0
A | b = 0 1 0 0 0 cujo Posto pa=3<n=4. (1.309)
0 0 0 1 0

e a matriz coeficiente

1 0 2 0
e n 0 1 0 0 o, cujo Posto pc=3<n.
0 0 0 1
(1.310)

Portanto, o sistema acima analisado é um sistema com m equações (m=3) e n


incógnitas ( n= 4). Como pc = 3 = pa < n = 4, então, o sistema (2,189) é possível e
indeterminado. A matriz (1.311) equivale ao sistema (1.303) é

x + 2 z = 0

y = 0
t = 0
 (1.311)

Como se observa em (1.311), Z pode ser arbitrariamente fixado e os demais


estimados. Assim, o sistema tem infinitas soluções.

Exemplo 1.17:

Considere o sistema, com m=3 linhas e n=3 variáveis

x + y + z = 4

2 x + 3 y − 1z = 3 (1.312)
2 x + 2 y + 2 z = 1

r
No sistema (2.198), podemos identificá-lo na forma matricial Ax = b :

1 1 1  x 4
A = 2 3 − 1  x =  y 
 b = 3
2 2 2  z  1 
(1.313, 1.314 e 1.315)

Chamando a matriz ampliada e| de M temos:

1 1 1 4
M = 2 3 − 1 3

2 2 2 1 
(1.316)

Portanto, considerando M e realizando as operações de redução à matriz-linha à


forma escada, teremos:

1 1 1 4 L2 = L}
2 − 2 L1 1 1 1 4 L3 = L}
3 − 2 L1 1 1 1 4 L1 = }
L1 − L2

M =  2 3 − 1 3 →    
0 1 − 3 − 5  → 0 1 − 3 − 5  →
 2 2 2 1   2 2 2 1  0 0 0 - 7 

5 9
L1 = L1 − L2 1
} 0 4 9 L2 = L}
2 − L3 1 0
7 4 9  L1 = L}
1 + L3 1 0
7 4 0
→ 0 1 − 3 − 5  →    0 
  0 1 − 3 0  → 0 1 − 3
0 0 0 - 7  0 0 0 - 7  0 0 0 − 7 

1
L1 = − L3
}7 1 0 4 0
→ 0 1 − 3 0

0 0 0 1
(1.317)

A Matriz (2.203) é matriz-linha reduzida à escada da matriz ampliada do sistema


linear ( ). Portanto, podemos retirar as seguintes conclusões:

 O sistema (1.312) tem m=3 linhas e n=3 variáveis. Os postos desse sistema são
pc=2 e pAb=3, conforme Eq. (1.217). Como pA=2 < n e pAb=2=n, então, o sistema
não tem solução, ou é impossível;

 Também, de acordo com a matriz-linha reduzida à escada nos conduz ao


seguinte resultado: 0x+0y+0z=1, que nos leva a um absurdo 0 = 1!
12.2 EXERCÍCIOS BÁSICOS

 1 -1 2 
- 2 2 - 4 
1) Qual é o Rank de A =  ?
1 1 0 
 
2 0 1 
2) Considere o sistema abaixo e determine os seus postos e a condição da solução.

32  9{ 6
5  15*  102  40{ 45
c
4  12*  22  14{ 24
  3*  2  5{ 7

2) Usando o método de Gauss, discuta em função de k o seguinte sistema:

y − x − k = 0
x + 2 y + 3 z = 2
 x − 3 y − 2 z = 7

3) Determine o valor de c para que o sistema abaixo seja possível

 x + 2 y − 3z = 1

3 x − y + 2 z = 2
 x + 8z − 5 y = c

4) Dado o sistema S abaixo, determine:


 x + y + z = −1
S =  x + 3 y + az = −3
 x + ay + 3z = 2

a) Os valores de a para que S seja possível e determinado;


b) Os valores de a para que S seja possível e indeterminado;
c) Os valores de a para que S seja impossível.

13. AUTOVALORES, AUTOVETORES E FORMA REPRESENTATIVA DE


JORDAN DE UM OPERADOR LINEAR:
Considere o operadores lineares caracterizados pela transformação )x , x+ nela
própria (ou seja, em )x , x+). O entendimento é de que um espaço vetorial )x , x+ é
definido por um conjunto de vetores de x (ordem n e elementos em C, o conjunto
de números complexos) e o campo definido em C. Assim, temos:

e: )x , x+ % )x , x+ (1.318)

Onde a transformação A é uma matriz JeK . , com coeficientes constantes, no


campo de números complexos C e satisfazendo as operações básicas de espaço
vetorial, definidas no item (2.1).

Definição:

Seja a transformação e: )x , x+ % )x , x+. Então, um escalar λ “ C será chamado de


autovalor de A, se existe um vetor não nulo Ç ∈ x , tal que:

eÇ λX (1.319)

O vetor não nulo Ç, que satisfaz a equação acima, é chamado de autovetor de A,


associado com o autovalor λ.
Para calcular o autovalor λ de A escreve-se:

eÇ λX ³ AX  λX 0 ³ )A  λI+X 0 (1.320)

onde I é uma matriz identidade de ordem n×n, definida como segue:

1 0 0 0
0
j0 1 0 0
0m
i l
’
I·.· i l
i0 0 0 1
0l
(1.321)
i ’ l
h0 0 0
0 1k

A equação (1.320) produz um conjunto de equações linearmente homogêneo. Estas


equações têm uma solução não trivial se e somente se det)e  λI+ 0.
Conseqüentemente, um escalar λ é um autovalor de A se e somente se ele for uma
solução de:
∆)λ+ det)A  λI+ 0 (1.322)

onde ∆)λ+ é um polinômio de grau n em λ e é chamado de polinômio característico


de A. Portanto, a matriz JeK . tem n autovalores, não necessariamente todos
distintos.

Exemplo 1.18:

Considere a seguinte matriz A2×2, como segue:

1 1
e C G , 0UO e: )” , ”+ % )” , ”+
2 1
(1.323)

∆)ó+ det)e  óƒ+ 0 (1.324)

Assim, temos:

1 0 1 1 )1  ó+ 1
t λC GC G H I %
0 1 2 1 2 )1  ó+

O3t )1  ó+)1  ó+  2 0 ³ 1  ó  ó  ó  2 0 ³ ó  1 0 %

ó R 
ó, ³ , onde R √1
ô√9]
ó R
(1.325)

Conseqüentemente, λ ∉ R e [A]2x2 não têm autovalores em R. Como R é um


subconjunto de C, não existe nenhuma razão para não considerar e: )x , x+ %
)x , x+ não seja uma transformação que mapeia em si próprio.

Observação:
As matrizes a serem consideradas neste curso são todas com coeficientes reais.
Entretanto, para assegurar a existência de autovalores, nós devemos considerar a
transformação (operador) linear definido somente no campo dos números
complexos.
13.1 CONJUNTO DE VETORES BASES QUE TEM UMA REPRESENTAÇÃO
DIAGONAL OU QUASE DIAGONAL

Seja λ1,... λn autovalores de A e ¿  ser um autovetor de A associado com λi, para


i=1,2,...,n, isto é:

e¿  ó ¿  % )e  ó ƒ+¿  0 (1.326)

Então, se o conjunto de vetores {¿  , ¿ , … , ¿ } forma uma base em (Cn, C), este


conjunto de vetores é linearmente independente. Para comprovar tal evidência
devemos mostrar que os seguintes casos prevalecem como verdadeiros:

CASO 1: Considere que todos os autovalores de A sejam distintos. Para tanto,


apresentaremos o seguinte teorema:

TEOREMA 1:
Seja λ1,... λn autovalores distintos de A e seja ¿  um autovetor de A associado com
λi, para i=1,2,...,n, então o conjunto de vetores {¿  , ¿ , … , ¿ } são linearmente
independentes sobre C.

PROVA
Provaremos o teorema acima pela contradição. Assim, supõe-se que {¿  , ¿ , … , ¿ }
sejam linearmente dependentes, então existem α1, ...,αn (não todos nulos) ∈ C, tal
que:

6 ¿   6 ¿ 
 6 ¿ 0 % ∑ ¸ 6 ¿  0 (1.327)

Assume-se α1 ≠ 0. Se α1=0, pode-se reordenar ó , de tal modo que α1 ≠ 0. Assim,


de acordo com a Eq. (1.326) temos que:

)e  ó ƒ+ . )e  ór ƒ+ .
. )e  ó ƒ+ . )∑ ¸ 6 ¿  + 0 (1.328)

Como:

)e  ó ƒ+¿  0 % e¿   ó ƒ¿  Ž 0 % e¿  ó ƒ¿  (1.329)


Então, aplicando (1.329) em (1.326) temos:

e  ó ƒŽ¿  e¿   ó ƒ¿  ó ƒ¿   ó ƒ¿  ó  ó Žƒ¿  , aO R L Ÿ (1.330)

¿
E, considerando que ¿  n ‘ o, Então, a Eq. (1.330) torna:
¿ 

¿ ¿
ó  ó Žƒ¿  ó n ‘ o  ó n ‘ o ó  ó Ž¿  % e  ó ƒŽ¿  ó  ó Ž¿  ,
¿  ¿ 
aO R L Ÿ (1.331)

Mas, aplicando a Eq. (1.331) em (1.330) e considerando que α1 ≠ 0 e os demais αi,


com i=1, 2, ...,n, de ( ) sendo αi=0, temos que:

6 )ó  ó + . )ó  ór + .
. )ó  ó + . ¿  0 ö 6 ∏ ¸ )ó  ó +¿  0(1.332)

Portanto, com o pressuposto de que ó , com i=1, 2, ..., n, são todos distintos, então,
a Eq. (1.332) implica que 6 0. Isto é contraditório ao pressuposto assumido
anteriormente. Assim, conclui que todos os αi’s são nulos.
Portanto, como os autovalores λ1,... λn são autovalores distintos de A, então, de
acordo com o Teorema 1, o conjunto de vetores {¿  , ¿ , … , ¿ } são linearmente
independentes e sendo a condição que garante a independência linear deste

Seja eø ser uma representação de A, com relação à base »¿  , ¿ ,


, ¿ ¼. Podemos
conjunto de vetores.

observar que a enésima coluna de eø é uma representação de e¿  ó ¿  ,com


relação à base »¿  , ¿ ,
, ¿ ¼. Isto é, o vetor J0
0 ó 0
0K′, onde ó encontra-
se na i-ésima componente.

relações entre uma base canônica »U , U ,


, U ¼ e uma base caracterizada por
Este procedimento de transformação é mostrado na Figura 1.13 que evidencia as

autovetores de um sistema linear, »¿  , ¿ ,


, ¿ ¼.
æâçèç
â
JU , U ,
, U K à ãäääääå Á ) âà+

P Q P Q=P-1

Æ ) â
Æ
Æà
â
 J¿  , ¿ ,
, ¿ K Æ ãäääääå Á
à Æ+

Figura 1.13: Relações entre diferentes representações para um mesmo operador.

Relembrando, temos na Figura 1.6 que:

É ÊËéÍÎÏÐ ÑÒÓÔËÐ: _O`_OaOU3çã0 O


e§ H I,
e¿  , 0 _O/çã0 à aO J¿  , ¿ ,
, ¿ K
(1.333)

É ÊËéÍÎÏÐ ÑÒÓÔËÐ: _O`_OaOU3çã0 O


e

 H I.
¿  , 0 _O/çã0 à aO JU , U ,
, U K
(1.334)

Æ Ú9Ã âÚ ÙâÚ e â Ù9Ã â


Æ Ù Úâ
Æ Ú9Ã
e
â (1.335)

onde   9.
Portanto,considerando que e§
»¿  , ¿ ,
, ¿ ¼ e a i-ésima coluna de e§ é a representação de e¿  ó ¿  . Isto é:
é a representação de A com relação à base

ó 0 0 0
0
j0 ó 0 0
0m
i
l
i 0 0 ór 0
0 l
§
e i ‘ ‘ 0 ’
‘ l
i ‘ ‘ ‘ ‘
‘ l
(1.336)

i0 0 0 0
ó l
h k

Onde ó é o i-ésimo componente dos autovalores padrão.


Podemos checar esta transformação, como segue:

e eJ¿  , ¿ ,
, ¿ K Je¿  , e¿ ,
, e¿ K Jó ¿  , ó ¿ ,
, ó ¿ K
ó
ó
J¿  , ¿ ,
, ¿ K Š ‹ e§
‘
(1.337)
ó
Portanto, concluímos que e: )x , x+ % )x , x+ e se os autovalores são todos
distintos, então, escolhendo os autovetores como base, a matriz representação do
operador de A é uma matriz diagonal, com os autovalores sobre a diagonal.

Exemplo 1.19:

Considere a matriz A abaixo e determine os seus autovalores e autovetores.

1 1
e C G
2 1

Solução:

Temos que

1 1 1 0 1 1 ó 0
det)e  óƒ+ |e  óƒ| • •ó• • • •• •
2 1 0 1 2 1 0 ó
1ó 1
• • )1  ó+)1  ó+  2 0 % )ó  1+  2 0 % ó 
2 1  ó
1 0 %

ó  1 0 % ó ô√1 % ó R e ó R (1.338)

O autovetor associado ao autovalor ó dados em (1.338) pode ser obtido, resolvendo


a seguinte equação homogênea:

)e  ó ƒ+¿  0 % )e  ó ƒ+¿  C1  R 1
G Cb  G 0 %


2 1  R b
)1  R+b   b  0 
2b   )1  R+b  0
(1.339)

A partir o sistema (1.339), temos que b  )1  R+b  que substituindo na segunda


equação de (1.339), temos que:

2b   )1  R+b  0 % 2b   )1  R+)1  R+b  0 % 2 b   )1  R  R 


1+b  0 % 0b  0 (1.340)

A partir da relação (1.340) temos que a componente b  pode ser qualquer. Assim,
fixando b  1, temos por da relação b  )1  R+b  que

b  )1  R+b  % b  )1  R+ (1.341)
Portanto,

1
¿  Cb  G H

I
b )1  R+
(1.342)

Procedendo da mesma forma que para λ1 e considerando agora o autovalor λ2,

1R 1
temos que:

G Cb G 0 %

)e  ó ƒ+¿  0 % )e  ó ƒ+¿ C
2 1  R b
)1  R+b   b 0 
2b   )1  R+b 0
(1.343)

A partir o sistema (1.343), temos que b )1  R+b  que substituindo na segunda


equação de ( ), temos que:

2b   )1  R+b 0 % 2b   )1  R+)1  R+b  0 % 2 b   )1  R  R 


1+b  0 % 0b  0 (1.344)

A partir da relação (1.344) temos que a componente b  pode ser qualquer. Assim,
fixando b  1, temos por da relação b )1  R+b  que

b )1  R+b  % b )1  R+ (.1345)
Portanto,

1
¿ Cb G H

I
b )1  R+
(1.346)

Finalmente, temos que a matriz representação de de A é

R 0
e§ C G
0 R
(1.347)

Ainda, a partir de (1.342) e (1.346), temos que

1 1
 J¿  ¿ K C b  b G H
 
I
b b )1  R+ )1  R+
(1.348)

CASO 2: Os autovalores de A não são todos distintos.

Diferente do caso 1, se um operador A tem autovalores repetidos, não é sempre


possível encontrar uma matriz diagonal representativa de A. Usaremos o seguinte
exemplo para ilustrar a dificuldade que pode aparecer para matrizes com
autovalores repetidos.

Exemplo 1.19:

Considere a matriz A abaixo e determine os seus autovalores e autovetores.

1 0 1
e n0 1 0o
0 0 2
Solução:

Temos que
1 0 1 1 0 0
det)e  óƒ+ |e  óƒ| det )n0 1 0 o  ó n0 1 0o+
0 0 2 0 0 1
1 0 1 ó 0 0
det )n0 1 0 o  n 0 ó 0o+ 0 %
0 0 2 0 0 ó

1ó 0 1
‡ 0 1ó 0 ‡ )1  ó+)1  ó+)2  ó+ 0 %
0 0 2ó

ó 1 , ó 1 e ór 2 (1.350, 1.351, 1.352)

O autovetor associado ao autovalor ó , dado em (1.350), pode ser obtido,


resolvendo a seguinte equação homogênea:

1  ó 0 1 b 
)e  ó ƒ+¿ 0 % )e  ó ƒ+¿ n 0
  1  ó 0 o nb  o
0 0 2  ó b r
0 0 1 b 
n0 0 0 o nb  o 0 %
0 0 1 b r

½br 0 
r

b 0
(1.353)

Primeiro devemos observar que matriz

0 0 1 0 0 0
)e  ó ƒ+ n0 0 0 o | |  |r % n0 0 0o
0 0 1 0 0 1
(1.354)

Tem posto )e  ó ƒ+ 1 e a nulidade ù)e  ó ƒ+ U  )e  ó ƒ+ 3  1 2.


Portanto, existem dois vetores linearmente independentes que podem ser
encontrados para a matriz A do exemplo. Esses dois vetores LI estão associados
com os autovalores ó ó 1. Em (1.354) temos que b r 0 e os demais
componentes podem ser quaisquer, então, fixando b  1 e b  0. Da mesma
forma, temos que b r 0 e os demais componentes podendo ser quaisquer, então,
fixando b  0 e b 1.
Assim, temos
b  1 b  0
¿ nb o n0o e ¿ nb o n1o
 

b r 0 b r 0
(1.355, 1.356)

Procedendo da mesma forma que para λ1 e considerando agora o autovalor λ3,

1  ór 0 1
temos que:
b r
)e  ó ƒ+¿ 0 % )e  ór ƒ+¿ n 0
 1  ór 0 o nb r o
0 0 2  ór b rr
12 0 1 b r 1 0 1 b r
n 0 12 0 o nb r o n0 1 0 o nb r o 0 %
0 0 2  2 b rr 0 0 0 b rr

½b  b rr 0
r

b r 0
(1.357)

Em (1.357) temos que b rr b r , b r 0, então, fixando b r 1, donde se obtém


b rr 1. Assim,
b r 1
¿ nb o n 0 o
r r

b rr 1
(1.358)

Portanto, »¿  , ¿ , ¿ r ¼ é LI e qualifica como uma base para o sistema caracterizado


por A. A representação de A é a seguinte:

1 0 0
e§ n0 1 0o
0 0 2
(1.359)

Exemplo 1.20:

Considere a matriz A abaixo e determine os seus autovalores e autovetores.

1 1 2
e n0 1 3o
0 0 2
Solução:

Temos que
1 1 2 1 0 0
det)e  óƒ+ |e  óƒ| det )n0 1 3o  ó n0 1 0o+
0 0 2 0 0 1
1 1 2 ó 0 0
det )n0 1 3 o  n0 ó 0o+ 0 %
0 0 2 0 0 ó

1ó 1 2
‡ 0 1ó 3 ‡ )1  ó+)1  ó+)2  ó+ 0 %
0 0 1ó

ó 1 , ó 1 e ór 2 (1.360, 1.361, 1.362)

O autovetor associado ao autovalor ó 1, dado em (1.360), pode ser obtido,


resolvendo a seguinte equação homogênea:

1  ó 1 2 b 
)e  ó ƒ+¿ 0 % )e  ó ƒ+¿ n 0
  1  ó 3 o nb  o
0 0 2  ó b r
0 1 2 b 
n0 0 3o nb  o 0 %
0 0 1 b r
b   2b r 0
 3b r 0 
b r 0
(1.363)

Devemos observar que matriz

0 1 2 0 1 0 0 1 0
)e  ó ƒ+ n0 0 3o | |  2|r % n0 0 3o | |  3|r % n0 0 0o (1.364)
0 0 1 0 0 1 0 0 1

Tem posto )e  ó ƒ+ 2 e a nulidade ù)e  ó ƒ+ U  )e  ó ƒ+ 3  2 1.


Portanto, existe somente um vetor linearmente independente que pode ser
encontrado para a matriz A, associado a ó ó 1
Em (1.363) temos que b r 0 e b  2b r . Então, como b r 0 , obtemos
e b  0. Como b  pode ser qualquer, então fixamos b  1.
Assim, temos
b  1
¿ nb  o n0o


b r 0
(1.365, 1.366)

Considerando o autovalor λ3=2, temos que:

1  ór 1 2 b r
)e  ó ƒ+¿ 0 % )e  ór ƒ+¿ n 0
 1  ór 3 o nb r o
0 0 2  ór b rr
12 1 2 b r 1 1 2 b r
n 0 12 3 o nb r o n 0 1 3o nb r o 0 %
0 0 2  2 b rr 0 0 0 b rr

b r  b r  2b rr 0
b r  3b rr 0
(1.367)

Em (1.367) temos que b r 3b rr , que substituído b r  b r  2b rr 0, temos que


b r  3b rr  2b rr 0 % b r 5b rr . Portanto, fixando b r 3, tem-se b rr 1,
donde se obtém b r 5. Assim,
b r 5
¿ nb r o n3o
r

b rr 1
(1.368)

Portanto, observamos que somente dois autovetores, ¿  e V , de A foram


encontrados. Mais um autovetor LI deve ser encontrado para formar uma base para
A. A. O vetor a ser encontrado é chamado de vetor generalizado.

Definição:
Um vetor V é um autovetor generalizado de posto P(A), associado com λ se e
somente se

)e  óƒ+>)—+ ¿ 0 (1.369)

e
)e  óƒ+>)—+9 ¿ L 0 (1.370)
Deve ser observado que se )e+ 1, então, )e  óƒ+¿ 0 e V≠0, constituindo a
definição de um autovetor. Portanto, o autovetor generalizado é bem justificado.
Seja V um vetor generalizado, de Posto )e+, associado com o autovalor λ. Define-
se:

¿>)—+ È ¿
¿ >)—+9
È )e  óƒ+¿ )e  óƒ+¿>)—+
£
¿>)—+9 È )e  óƒ+ ¿ )e  óƒ+¿>)—+9 
£ ‘ ‘ ‘
(1.371)

¿ 
È )e  óƒ+ >)—+9
¿ )e  óƒ+¿

Então, de acordo com o sistema (1.371), para cada 1≤ i ≤ P(A), ¿  é um autovetor


generalizado de posto i. Por exemplo:

)e  óƒ+>)—+9 ¿>)—+9 )e  óƒ+>)—+9 )e  óƒ+ ¿ )e  óƒ+>)—+ ¿ (1.372)

Contudo,

)e  óƒ+>)—+9r ¿>)—+9 )e  óƒ+>)—+9r )e  óƒ+ ¿ )e  óƒ+>)—+9 ¿ L 0 (1.373)

Portanto, ¿>)—+9 é um autovetor generalizado de Posto (P(A)-2) de A, associado


com o autovalor λ. Chamamos o conjunto de autovetores ú¿  , ¿ ,
, ¿>)—+ û de uma
cadeia generalizada de autovalores.

Teorema 1.10:

O conjunto de autovetores generalizados ¿  , ¿ ,


, ¿>)—+ , definidos em (1.371), são
linearmente independentes.

Teorema 1.11:

Os autovetores generalizados de Posto P(A), associados com diferentes autovalores


são linearmente independentes.
Com os dois teoremas acima especificados, estamos prontos para completar o
exemplo 1.20.

Exemplo 1.20 (continuação):

Considere a matriz A abaixo e determine os seus autovalores e autovetores.

1 1 2
e n0 1 3o
0 0 2
(1.374)

Solução:

Na solução previa feita, obtivemos os seguintes autovalores para a matriz A


acima:

ó 1 , ó 1 e ór 2 (1.375, 1.376, 1.377)

A partir dos autovalores determinados em 1.375, 1.376, 1.377), estimamos dois


autovetores independentes, associados com o sistema. Um primeiro associado aos
autovalores ó ó 1 e um segundo associado ao autovalor e ór 2. Isto tendo
em vista que o posto )e  ó ƒ+ 2 e a nulidade ù)e  ó ƒ+ U  )e  ó ƒ+ 3 
2 1. Portanto, existem somente um vetor linearmente independentes que pode ser
encontrado, associado a ó ó 1. Estes autovetores são os seguintes:

b  1 b r 5
¿ nb o n0o e ¿ nb r o n3o
  r

b r 0 b rr 1
(1.378, 1.379)

Em conseqüência da impossibilidade de estimar o terceiro autovetor associado com


a matriz A, pela metodologia padrão, devemos estimá-lo utilizando autovetores
generalizados. Portanto, seja V ser um vetor diferente de zero, tal que:
1 1 2 1 0 0 1  ó 1 2
)e  ó ƒ+¿ ün0 1 3o  ó n0 1 0oý ¿ n 0 1  ó 3 o¿
0 0 2 0 0 1 0 0 2  ó
11 1 2 0 1 2
n 0 11 3 o ¿ n0 0 3 o¿ L 0
0 0 21 0 0 1
(1.380)

0 1 2 0 1 2 0 0 5 0 0 5 b 
e

)e  ó ƒ+ ¿ n0

0 3 o . n0 0 3 o ¿ n0 0 3 o ¿ n0 0 3o nb o 0 (1.381)
0 0 1 0 0 1 0 0 1 0 0 1 b r

Em (1.381) temos que 5b r 0, 3b r 0 e b r 0. Ou seja, b r 0 e os demais


elementos do vetor V2 podem assumir qualquer valor. Portanto, fixando b  0, e
b 1, temos:

b  0
¿ nb o n1o

b r 0
(1.382)

Claramente, V2 é um autovetor generalizado de posto 2. De acordo com a Relação


(1.382), transcrita abaixo, temos:

¿>)—+9 È )e  óƒ+¿ )e  óƒ+¿>)—+ % ¿  È )e  óƒ+¿ %


0 1 2 0 1
¿ È )e  óƒ+¿ n0

0 3 o n1o n0o
0 0 1 0 0
(1.383)

O vetor V1 calculado em (1.383) é o mesmo estimado anteriormente, em (1.379),


caracterizando a validade das relações estabelecidas pelos vetores generalizados.
Os teoremas 1.10 e 1.11 implicam que V1, V2 e V3 devem ser linearmente
independentes. Isto pode ser verificado, calculando o determinante de JV V V r K. Se
utilizarmos o conjunto de vetores JV V V r K como base, então, a i-ésima coluna da
nova representação e§ é a representação de AVi com relação á base JV V V r K,
sendo e¿  ó ¿ , e¿ ¿   ó ¿ e e¿ r ór ¿ r .
1 0 5
A nova representação e§ é dado por e§  9 e, sendo  J¿  ¿ ¿ r K n0 1 3o,
0 0 1
1 0 5
 9 n0 1 3o e A definida em (1.374), o que conduz:
0 0 1

1 0 5 1 1 2 1 0 5 1 1 0
e§ n0 1 3o . n0 1 3o . n0 1 3 o n0 1 0 o
0 0 1 0 0 2 0 0 1 0 0 2
(1.375)

12.2 EXERCÍCIO

1. Determinar os autovalores e autovetores do operador linear L: ℜ3 → ℜ3, tal que:

x   3 −1 1  x   3 −1 1 
L  y  = − 1 5 1  . y  = Av , onde e
x 
− 1 5 1  . e ¿ y 
   
 z   1 − 1 3   z   1 −1 3   z 
ANEXO A

A.1 Números Reais

Os primeiros números conhecidos pela humanidade são os chamados Inteiros


Positivos ou Números Naturais.

N = { 1, 2 , 3 , K } (A.1)

Os números − 1, − 2 , − 3 , K são chamados de inteiros negativos. A União do conjunto


dos números naturais com os inteiros negativos e o zero define o conjunto dos
números inteiros que denotamos por:

Z = {0 , ± 1, ± 2 ,±3, K} (A.2)

Os números da forma m n , com n ≠ 0 e m , n ∈ Z , são chamados de fração e


formam o conjunto dos Números Racionais. Denotamos por:

Q = {x | x = m n , m, n ∈ Z , n ≠ 0} (A.3)

Finalmente, encontramos números que não podem ser representados na forma m n

, com n ≠ 0 e m , n ∈ Z , tais como 2 = 1,4159 K , π = 3 ,14159 K e e = 2 ,71K . Esses


números formam o conjunto de Números Irracionais, a ser denotado por Q ′ .
Da união do conjunto dos números racionais com o conjunto dos números irracionais
resulta o conjunto dos Números Reais., que denotamos por:

R = Q ∪ Q′ (A.4)

No conjunto dos números reais introduzimos duas operações, chamadas de adição


e multiplicação.

A.2 Desigualdades
Para podermos dizer que um número real é maior ou menor que outro, devemos
introduzir o conceito de número real positivo e uma relação de ordem. Para tanto,
são estabelecidos axiomas, definições, símbolos e propriedades, a seguir:

i) Símbolos:

 Os símbolos ≤ (menor que) e > (maior que) são definidos como: (i)
a < b ⇔ b − a é positivo e, (ii) ) a > b ⇔ a − b é positivo;

 Os símbolos ≤ (menor ou igual que) e ≥ (maior ou igual que) são definidos


como: (i) a ≤ b ⇔ a < b ou a = b e, (ii) ) a ≥ b ⇔ a > b ou a =b;

 Expressões envolvendo os símbolos definidos acima são chamadas de


desigualdades. a < b ou a > b são desigualdades estritas, enquanto a ≥ b
ou a ≤ b são desigualdades não estritas.

ii) Axiomas de ordem: No conjunto de números reais existe um subconjunto


denominado de números positivos, tal que:

 Se a ∈ R , exatamente uma das três afirmações ocorre: a = 0 , a > 0 ou


−a >0;
 A soma de dois números positivos é positiva;
 O produto de dois números positivos é positivo.

iii) Definição: O número real é positivo se e somente se − a > 0 ;

iv) Propriedades: Sejam a , b , c , d ∈ R , então:

 Se a > b e b > c , então, a > c ; (A.5)


 Se a > b e c > 0 , então, a × c > b × c ; (A.6)
 Se a > b e c < 0 , então, a × c < b × c ; (A.7)
 Se a > b , então, a + c > b + c , para todo c ∈ R ; (A.8)

 Se a > b e c > d , então, a + c > b + d ; (A.9)


 Se a > b > 0 e c > d > 0 , então, a×c > b×d . (A.10)

A.3 Valor absoluto

i) Definição: O valor absoluto de a, denotado por a , é definido como: a = a , se

a ≥ 0 e a = −a , se a ≤ 0 ;

ii) Interpretação geométrica: Geometricamente, o valor de a, também chamado


de módulo de a, representa a distância entre a e 0 (zero). Assim, escreve-se

então a = a 2 ;

iii) Propriedades:

 x < a ⇔ − a < x < a , onde a > 0 ; (A.11)

 x > a ⇔ x < −a ou x > a , onde a > 0 ; (A.12)

 Se a , b ∈ R , então, a × b = a × b ; (A.13)

a a
 Se a , b ∈ R e b ≠ 0 , então, = ; (A.14)
b b

 Se a , b ∈ R , então, a + b ≤ a + b ; (A.15)

 Se a , b ∈ R , então, a − b ≤ a + b ; (A.16)

 Se a , b ∈ R , então, a − b ≤ a − b . (A.17)

A.4 Intervalos

Os intervalos são conjuntos infinitos de números reais definidos como segue:


i) Intervalo aberto: {x | a < x < b} , o qual é denotado por (a, b ) ou ]a, b[ ;

ii) Intervalo fechado: {x | a ≤ x ≤ b} , o qual é denotado por [a , b] ;

iii) Intervalo fechado à direita e aberto à esquerda: {x | a < x ≤ b} , o qual é

denotado por (a , b] ou ]a , b] ;

iv) Intervalo aberto à direita e aberto à esquerda: {x | a ≤ x < b} , o qual é

denotado por [a , b ) ou [a , b[ .

A.4 Intervalos infinitos

i) {x | x > a} denota-se (a , + ∞) ou ]a , + ∞[ ;
ii) {x | x ≥ a} denota-se [a , + ∞) ou [a , + ∞[ ;
iii) {x | x < b} denota-se (− ∞, b) ou ]− ∞ , b[ ;
iv) {x | x ≤ b} denota-se (− ∞,b] ou ]− ∞,b] .

A.5 Leis de operação de conjuntos: união, intersecção e complemento

Quando somar, subtrair, multiplicar, dividir ou extrair a raiz quadrada de um número,


executa-se operações matemáticas. Os conjuntos são diferentes dos números,
porém, executa-se analogamente certas operações matemáticas com eles. Três
operações que serão discutidas aqui envolvem a União, a Intersecção e o
Complemento de conjuntos.
Executar a união de dois conjuntos, denominados de A e B, significa formar um novo
conjunto contendo aqueles elementos (e apenas aqueles elementos) que pertencem
A e B ou ambos. O conjunto união é simbolizado por A ∪ B (lê-se A união B).
Obviamente, a intersecção é um conceito mais restrito do que a união. Na
intersecção, apenas os elementos comuns a A e B são aceitáveis, ao passo que, na
união, a simples participação de um elemento em A ou B é suficiente para
estabelecer sua inclusão no conjunto união. Os símbolos de operação ∩ e ∪ (que
por sinal possuem os mesmos estatus que os símbolos √, +, ÷ etc.), têm as
conotações “e” e “ou”, respectivamente. Essas conotações podem ser melhor
visualizadas ao compararmos as seguintes definições formais de interseção e união:

Intersecção: A ∩ B = {∀ x | x ∈ A e x ∈ B}; (A.18)

União: A ∪ B = {∀ x | x ∈ A ou x ∈ B}. (A.19)

Antes de explicar-se o conjunto complemento, introduz-se o conceito de Conjunto


Universo, denominado de U. Em um contexto especifico, se os únicos números
usados são os sete primeiros inteiros positivos, então, pode-se referir a eles como o
conjunto universo. Assim, dado o conjunto A = {3, 6 , 7} , pode-se definir o outro
~
conjunto A (lê-se: complemento de A), como o conjunto que contem todos os
números do conjunto universo U e que não estão contidos no conjunto A (
A = {1,2,4,5} ). Portanto:

A = {x | x ∈ U x ∉ A}
~
e (A.20)

Nota-se que, enquanto os símbolos, ∪ e ∩, possuem conotações de “ou” e “e”,


respectivamente, o símbolo de complemento, ∼, possui a conotação de não. A
representação esquemática de União, Intersecção e Complemento é caracterizada
na Figura A.1.

A A

B
B
~
A

(a) (b) (c)


Figura A.1: Representação esquemática de União, Intersecção e Complemento.

Na Figura 1.1 pode ser observado que a área sombreada no diagrama (a)
representa não somente a A ∪ B , assim como B ∪ A . Analogamente, no diagrama
(b) da Figura 1.1, á área sombreada é a representação visual tanto de A ∩ B , como
também a de B ∩ A . O formalismo desse resultado é conhecido como lei comutativa
para união e intersecção. Isto é:

A∪ B = B ∪ A e A∩ B = B ∩ A (A.21, A.22)

Da mesma forma, a União e a Intersecção satisfazem as demais propriedades que


regem a adição e a multiplicação. Ou seja:

Lei Associativa: A ∪ (B ∪ C ) = ( A ∪ B ) ∪ C e A ∩ (B ∩ C ) = ( A ∩ B ) ∩ C ; (1.23, 1.24)

Lei Distributiva: A ∪ (B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) e A ∩ (B ∩ C ) = ( A ∩ B ) ∩ C (1.25,


1.26)

A.6 Exemplos

A.6.1. Determine a A ∪ B , considerando-se que: A = {3 , 5 , 7} e A = {2 , 3 , 4 , 8} .

Solução:

A ∪ B = {3, 5 , 7}∪ {2 , 3, 4 , 8} ⇒ A ∪ B = {2 , 3, 4 , 5 , 7 , 8}

A.6.2. Determine a A ∩ B , considerando-se que: A = {3 , 5 , 7} e A = {2 , 3 , 4 , 8} .

Solução:

A ∩ B = {3, 5 , 7}∩ {2 , 3, 4 , 8} ⇒ A ∩ B = {3}

1.6.3. Considere o conjunto U como o conjunto universo: U = {5 , 6 , 7 , 8 , 9}. Determine

o complemento de A = {5 , 6 } .

Solução:

Sendo U = {5 , 6 , 7 , 8 , 9} e A = {5 , 6 } , então, A = {7 , 8 , 9}.


~
A.6.4. Determinar todos os intervalos de números que satisfazem as desigualdades
abaixo. Fazer a representação gráfica.

i) 3 + 7 x < 8x + 9

Solução:

3 + 7 x < 8x + 9 ⇒ 3 − 9 < 8x −7 x ⇒ − 6 < x

Portanto, {∀ x | x > −6 } é a solução ou (− 6 , + ∞ )

ii) 7 < 5 x + 3 ≤ 9

Solução:

Quadro A.1: Evolução da solução do exemplo (ii).

7 < 5x + 3 e 5x + 3 ≤ 9

⇓ ⇓

7 − 3 < 5x 5x ≤ 9 − 3

⇓ ⇓

4 < 5x 5x ≤ 6

⇓ ⇓

4 6
<x x≤
5 5

⇓ ⇓

0 ,8 < x x ≤ 1,2

⇓ ⇓

{∀ x | x > 0 ,8} ou (0 ,8 , + ∞ ) ∩ {∀ x | x ≤ 1,2} ou (− ∞ , 1,2]

{∀ x | 0 ,8 < x ≤ 1,2} e ∀ x ∈ (0 ,8 , 1,2]


Observação: o conectivo “e” é representado matematicamente pela intersecção ∩.

A intersecção entre dois conjuntos é caracterizada pela parcela que pertence


simultaneamente aos dois conjuntos. Isto pode ser evidenciado pela Figura 1.2,
abaixo.

( ]
( )

-∞ 0 0,2 0,4 0,6 0,8 1,0 1,2 +∞

Figura A.2: Representação gráfica da intersecção dos intervalos definidos na


Tabela A.2.

x
iii) < 5 , com x ≠ −7
x +7

Solução:
Quadro .A.2: Evolução da solução do exemplo (iii).

CASO I ou CASO II

x +7 > 0 e x x +7 < 0 e x
<5 <5
x +7 x +7
⇓ ⇓ ⇓ ⇓
x > −7 x < −7
(x + 7 ) x < 5(x + 7 ) ( x + 7 ) x > 5( x + 7 )
(x + 7 ) (x + 7 )
1 2

⇓ ⇓ ⇓ ⇓
{∀ x | x > −7} {∀ x | x < −7}
ou x < 5( x + 7 ) ou x > 5( x + 7 )
(− 7 , + ∞ ) (− ∞ , − 7 )
⇓ ⇓
− 35 < 5 x − x 5 x − x < −35
⇓ ⇓
⇓ − 35 < 4 x ⇓ 4 x < −35
⇓ ⇓
35 35
− <x x<−
4 4
⇓ ⇓
 35   35 
∀ x | x > −  ∀ x | x < − 
 4  4
ou ou
 35   35 
− ,+ ∞  − ∞, − 
 4   4 
⇓ ⇓ ⇓ ⇓
{∀ x | x > −7} ∩ {∀ x | x > −8,75} {∀ x | x < −7} ∩ {∀ x | x < −8 ,75}
ou ou ou ou
(− 7 , + ∞ ) (− 8 ,75, + ∞ ) (− ∞ , − 7 ) (− ∞ , − 8 ,75)
{∀ x | − 7 < x} ou (− 7 ,+∞) ∪ {∀ x | x < −8 ,75} ou (− ∞,−8 ,75)
{∀ x | x ∉ [− 8 ,75;−7 ]}

Observação: o conectivo “ou” é representado matematicamente pela união ∪.

1
Se a > b e c > 0 , então, a × c > b × c , Eq. (1.6);

2
Se a > b e c < 0 , então, a × c < b × c , Eq. (1.7);
A união entre dois conjuntos é caracterizada pela soma das parcelas não comuns
aos dois conjuntos.
Resultado: o seguinte intervalo {∀ x | x ∉ [− 8 ,75;−7 ]} satisfaz as relações do problema,
conforme pode ser observado no gráfico da Figura 1.3, abaixo, onde o retângulo em
negrito representa os valores de x que não incluem na união dos domínios que
caracterizam o problema.

( ) ( )

-∞ -7 0 +∞
-8,75

Figura 1.3: Representação esquemática do resultado do exemplo (iii).

iv) ( x + 5 )( x − 3) > 0
Solução:

Quadro A.3: Evolução da solução do exemplo (iv).

CASO I ou CASO II

x+5 >0 e ( x − 3) > 0 x+5 <0 e ( x − 3) < 0


⇓ ⇓ ⇓ ⇓
x > −5 x>3 x < −5 x<3
⇓ ⇓ ⇓ ⇓
{∀ x | x > −5} {∀ x | x > 3} {∀ x | x < −5}
ou ∩ ou ou ∩ {∀ x | x < 3}
(− 5 , + ∞ ) (3, + ∞ ) (− ∞, − 5) ou
(− ∞, 3)
{∀ x | 3 < x} ou (3,+∞) ∪ {∀ x | x < −5} ou (− ∞,−5)
{∀ x | x ∉ [− 5;3]}

A.6.5. Resolva as equações


i) 5x − 3 = 7

Solução:
Quadro A.4: Evolução da solução do exemplo (i), exercício 1.6.5.
CASO I CASO II
− (5 x − 3 ) = 7
ou
5x − 3 = 7
⇓ ⇓
5x = 7 + 3 − 5x = 7 − 3
⇓ ⇓
5 x = 10 − 5x = 4

10 5 x = −4
x=
5
⇓ ⇓
x=2 ∪
x=−
4
5
ii) 7 x − 1 = 2 x − 5

Solução:

Possibilidades:

CASO I: (7 x − 1) = (2 x − 5 ) ou − (7 x − 1) = −(2 x − 5 )
e
CASO 2: − (7 x − 1) = (2 x − 5 ) ou (7 x − 1) = −(2 x − 5)

Portanto, existem duas situações a serem analisadas, as quais serão


desenvolvidas no Quadro 1.4, abaixo.

Quadro A.5: Evolução da solução do exemplo (ii), exercício 1.6.5.


CASO I e CASO II
7 x − 1 = 2x − 5 − (7 x − 1) = (2 x − 5 )
⇓ ⇓
7 x − 2 x = −5 + 1 − 7 x − 2 x = −5 − 1
⇓ ⇓
5 x = −4 − 9 x = −6

4 ∩ 6
x=− x=
5 9

A.6.6. Encontre os números reais que satisfaçam as seguintes desigualdades.

i) 7x − 2 < 4

Solução:

Existem duas situações a serem analisadas, as quais serão desenvolvidas no


Quadro 1.6, abaixo.

Quadro 1.5: Evolução da solução do exemplo (i), exercício 1.6.6.

CASO I e CASO II
7x − 2 < 4 − (7 x − 2 ) < 4
⇓ ⇓
7x < 4 + 2 −7 x < 4 − 2
⇓ ⇓
7x < 6 − 7 x < 2 × (− 1)

6 7 x > −2
x<
7
⇓ ⇓
x < 0 ,857 2
x>−
7
⇓ ⇓
x < 0 ,857 x > −0 ,285

{∀ x | x < 0 ,857} ou (− ∞ ,0 ,857 ) ∩ {∀ x | x > −0 ,285} ou


(− 0 ,285,+∞)
{∀ x | − 0 ,285 < x < 0 ,857 − 0 ,285} ou ∀ x ∈ (− 0 ,285, 0 ,857 )

7 − 2x
ii) ≤2
4+x

Solução:
7 − 2x 7 − 2x
≤2 ⇒ ≤2 ⇒ 7 − 2x ≤ 2 4 + x
4+x 4+x

Possibilidades:

CASO I: (7 − 2 x ) ≤ 2(4 + x ) ou − (7 − 2 x ) ≤ −2(4 + x )

CASO 2: − (7 − 2 x ) ≤ 2(4 + x ) ou (7 − 2 x ) ≤ −2(4 + x )


Portanto, existem duas situações a serem analisadas, as quais serão
desenvolvidas no Quadro 1.7, abaixo.

Quadro A.5: Evolução da solução do exemplo (ii), exercício 1.6.6.

CASO I e CASO II
7 − 2 x ≤ 2(4 + x ) − (7 − 2 x ) ≤ 2(4 + x )
⇓ ⇓
7 − 8 ≤ 2x + 2x − 7 − 8 ≤ −2 x + 2 x
⇓ ⇓
− 1 ≤ 4x − 15 ≤ 0

1
x≥−
4

x ≥ −0 ,25
⇓ − 15 ≤ 0
{∀ x | x ≥ −0 ,25} ou [− 0 ,25, + ∞ ) ∩
{∀ x | − 0 ,25 ≤ x} ou ∀ x ∈ [− 0 ,25, + ∞)

A.7 Exercícios

{ }
1.7.1 Dados os conjuntos S1 = 2 , 4 , 6 ,
S 2 = {1, 2 , 6 } , S 3 = {4 , 2 , 6 }
e S 4 = {2 , 6 } .
Quais das seguintes proposições são verdadeiras:

(a) S1 = S 2 ; (b) S1 = S 3 , (c) 5 ∈ S 2 ; (d) 3 ∉ S 2 ; (e) 4 ∉ S4 ; (f) S4 ⊂ S 2 ; (g) S1 ⊃ S4


;

(h)
∅ ⊂ S 2 e (i) S 2 ⊃ {1, 2}
A.7.2 Usando os quatro conjuntos dados no problema 1.7.1 (a saber: S1, S2, S3 e
S4), encontre:

(a) S1 ∪ S 2 ; (b) S1 ∪ S 3
; (c)
S2 ∩ S3
; (d)
S2 ∩ S4
, (e)
S 4 ∩ S 2 ∩ S1
e (f)
S 3 ∪ S1 ∪ S 4

A.7.3 Quais proposições entre as seguintes,são válidas?

(a) A ∪ A = A ; (b) A ∩ A = A ; (c) A ∪ ∅ = A ; (d) A ∪ U = U ; (e) A ∪ ∅ = ∅ ;

~
(f) A ∩ U = A e (g) O complemento A de A.

Observação: Considera-se A como um conjunto qualquer e U como o conjunto


universal.

{ } { }
A.7.3 Dados A = 4 , 5 , 6 , B = 3 , 4 , 6 ,7 e S3 = {2 , 3 , 6} , verifique a Lei Distributiva.

A1.7.4 Determinar todos os intervalos de números que satisfaçam as desigualdades


abaixo. Fazer a representação gráfica.

( )
(a) 3 − x < 5 + 3 x ; (b) − 7 ≤ − 3 − 3 x ≤ 2 ;
2
(c) x ≤ 9 ;
2
(d) x − 3 x + 2 > 0 ;

x 1 3 4 2
(e) x − 3 < 4 ; (f) x + 1 ≥ x − 2 e (g) x ≥ x

A.7.5. Resolver as equações em R.

x+2
− 4 + 12 x = 7 2x − 3 = 7 x − 5
(a) ; (b) e (c) x − 2 = 5

A.7.6 Resolver as inequações em R.

7 − 2x 1
x + 12 < 7 9 ≤ 5 −6x x + 4 ≤ 2x − 6
(a) ; (b) ; (c) ; (d) 5 + 3 x ≤ 2 ;
1 1

(e) x + 1 x − 3 5
ANEXO B

B.1. Números complexos

Considerando que o quadrado de todos os números reais é positivo ou zero, então,

a equação x 2 = −1 não poderia ser resolvida, no contexto dos números reais.


Assim, os números complexos constituem uma extensão do sistema de números

reais, para os quais a equação x 2 = −1 e outras mais poderão ter solução.

Os números complexos foram desenvolvidos, pela adição do símbolo − 1 ao

sistema de números reais, possibilitando satisfazer a equação x 2 = −1 , por meio da

definição deste símbolo. Está notação é muito satisfatória e se define i = − 1 ,


denominando-a de imaginário. Dentro deste contexto tem-se:

i = −1 ; i 2 = −1 ; i 3 = −i e i4 = 1

Portanto, um número complexo Z é definido, em termos, de dois números reais, “a” e


“b” e sendo designado como:

Z = a + bi ()

O número “a” é chamado de parte real de Z e “b” de parte imaginária de Z. Assim,

a = Re Z e a = Im Z

onde Re e Im denotam, respectivamente, a parte real e a parte imaginária.

Se Z1 = a1 + b1i e Z 2 = a2 + b2i são números complexos, então a soma e o produto


entre estes números são, respectivamente:

Z1 + Z 2 = (a1 + a2 ) + (b1 + b2 )i e Z1 × Z 2 = (a1a2 − b1b2 ) + (a1b2 + a2b1 )i


O conjugado do número Z, dado pela Eq. ( ), é denominado de Z = a − bi e tal que:

Z × Z = a 2 + b2 (B.1)

e com Z × Z > 0 , a menos que z = 0 .

Se Z ≠ 0 (onde Z = a + bi ) e Z 2 = c + di , então, a seguinte equação prevalece:

Z × Z1 = Z 2 (B.2)

Assim, de acordo com a Relação (B.2), tem-se:

Z × Z1 = Z 2 → (Z × Z )× Z1 = Z × Z 2 → × Z1 =
Z
×Z →
(Z × Z ) 2

)(a − bi)(c + di)


1
Z1 =
(a 2
+ b2
(B.3)

Considere a seguinte forma polinomial em Z, com os coeficientes an , an −1 K a1 , a0 :

P (Z ) = a n Z n + a n − 1 Z n − 1 + K + a 1 Z 1 + a 0 (B.4)

Se an ≠ 0 , então, o polinômio é de grau n. Se a relação polinomial ( ) for complexa,

então, os coeficientes an , an −1 K a1 , a0 podem ser complexos. Contudo, se todos

estes coeficientes forem reais, o polinômio é dito ser real.

Considere Z1, Z2, ..., Zn como números complexos, então, por definição:

 Z1 + Z 2 + K + Z n = Z1 + Z 2 + K + Z n ;

Z  Z1
  1  = ;
 Z2  Z2

 E, se F denota uma função real racional de Z1, Z2, ..., Zn, então,
( ) (
F Z 1 + Z 2 + K + Z n = F Z 1 , Z 2 ,K , Z n . )

Se Z e Z1 são números complexos, ainda tem-se que:

Z mZ n = Z m+n ; (Z m )n = Z m×n e (Z × Z1 )n = Z n × (Z1 )n


EXEMPLOS

2+i
1. Escreva na forma a + bi .
i+1
2+i
Tomando e multiplicando o numerador e denominador pelo conjugado de
i+1
(i + 1 )) , ou seja, por (1 − i ) , obtém-se:

2+i

(2 + i )(1 − i ) = (2 × 1 − i × i ) + (− 2i + i ) = (2 + 1) + i = 1,5 − 0 ,5i
i +1 (1 + i )(1 − i ) 1+1 2

2. Mostre que para cada inteiro positivo n que:

2 n -1 1− Z n
1+ Z + Z + K+ Z =
1− Z

Se denotar que:

S = 1 + Z + Z 2 + K + Z n -1

Então,

SZ = Z + Z 2 + K + Z n -1 + Z n

Conseqüentemente,

( )(
S − SZ = S (1 − Z ) = 1 + Z + Z 2 + K + Z n -1 − Z + Z 2 + K + Z n -1 + Z n = 1 − Z n →) ( )
( ) (1 − Z n ) → ( ) (1(1−−ZZ ))
n
= S (1 − Z ) = 1 − Z n → S = S = 1 + Z + Z 2 + K + Z n -1 =
(1 − Z )

∴ C.Q.D

EXERCÍCIOS

1. Determine Z na forma reduzida, a partir das expressões abaixo:


1.1) (1 + i )Z = i ; 1.2) (5 + i )Z = (6 − i ) ; 1.3) (1 + bi )Z = (1 − bi ) ;

2. Escreva as expressões abaixo na forma reduzida, se Z = x + yi e Z ≠ 0 e Z ≠ i :


2.1) (1 + i )2 ; 2.2)
(3 + 4i ) ; 2.3) Z3; 2.4)
Z
(1 − 2i ) Z

VALOR ABSOLUTO

Se Z = a + bi , então, o valor absoluto de Z é designado por Z e sendo definido

como a raiz quadrada não negativa de a 2 + b 2 , ou seja: ( )


Z = (a 2 + b2 ) ou Z
2
( )
= a 2 + b2 = Z × Z e Z ≥0

PLANO COMPLEXO

Quando o número complexo é associado com o ponto (x, y ) , o plano ( X ,Y ) é


denominado de plano Z ou plano complexo. A interpretação geométrica no plano
complexo é obtida por de coordenadas polares, ou seja, (r ,θ ) , conforme
esquematizado abaixo.

r= Z

y = r × sen(θ ) y

x X

x = r × cos( θ )
Conseqüentemente, a representação de um número complexo no plano cartesiano,
tal que Z = x + yi , corresponde ao número Z = r[cos(θ ) + isen(θ )] , em coordenadas

polares. Portanto,

x y
cos(θ ) = e sen(θ ) =
Z Z

Naturalmente, devido a periodicidade das funções seno e cosseno, θ é conhecido


somente como algum múltiplo de 2π. A coordenada θ é conhecida como argumento
de Z e sendo designada de argZ.

O argumento de Z tem infinitos valores e, por convenção, ele é designado como


sendo

arg Z = θ + 2 kπ .

A escolha do inteiro k conduz a um dos valores dos argumentos de Z. Portanto, todo


valor do argumento de Z é definido por uma escolha de um inteiro k.

As seguintes relações prevalecem:

 arg Z 1 Z 2 = arg Z 1 + arg Z 2 + 2 kπ ;

 arg (Z1 Z 2 ) = arg Z1 − arg Z 2 + 2kπ ;

 arg (1 Z1 ) = − arg Z1 + 2kπ ;

 arg (Z1 )n = n arg Z1 + 2 kπ ;


q p
 Z = β → q × arg Z = p × arg β + 2 kπ ;

p q p 2 kπ
 Z = β → arg Z = × arg β + .
q q

TEOREMA DE MOIVRE

O teorema de Moivre afirma que para um ângulo arbitrário θ e qualquer número


inteiro n, tem-se, em particular que:

Z n = r n [cos (nθ ) + isen (nθ )] ou Z −n = r −n [cos (nθ ) − isen (nθ )]


EXEMPLO

Encontrar o argumento do número complexo (3 − 4i )− 3 8 .

Solução:

Considerando Z= Z = 3 − 4i , tem-se:

r = Z = 3 2 + ( −4 ) 2 = 9 + 16 = 25 = 5

Conseqüentemente,

−4
= −0 ,8 → θ = arcsen(− 0 ,8 ) → θ ≅ −53,15 0
y
sen (θ ) = → sen (θ ) =
r 5

ou

→ cos(θ ) = = 0 ,6 → θ = arccos(0,6 ) → θ ≅ 53,15 0


x 3
cos(θ ) =
r 5

Qual o ângulo correto? O quadrante, o qual contém o ângulo deve ser escolhido por
meio do vetor no plano cartesiano, ou seja:

1 2 3

-1 θ X

-2 Z = 3 − 4i
-3

-4
Então, o vetor Z encontra-se no quarto quadrante, então o ângulo θ ≅ −53,150 . Neste
caso:

arg (Z1 )n = n arg Z1 + 2 kπ → arg (3 − 4 i )− 3 8 = − × ( −53 ) + 2 kπ →


3
8

arg (3 − 4 i )−3 6 = 19 ,87 0 + 2πk

EXERCÍCIOS

Represente os seguintes números complexos no plano polar:

(− i )1 4 ; (1 + i )1 2 e (− 1 + i )8 3

Você também pode gostar